Обучите YOLO-NAS на пользовательском наборе данных.

Вышла архитектура YOLO-NAS! Новый YOLO-NAS обеспечивает современную производительность с непревзойденной точностью и скоростью, превосходя другие модели, такие как YOLOv5, YOLOv6, YOLOv7 и YOLOv8.

Мы поймем, как обучить YOLO-NAS на пользовательском наборе данных. Я буду использовать набор данных Roboflow.

Ссылка на набор данных —https://universe.roboflow.com/object-detect-dmjpt/waste-9cbfm

Мы будем использовать Google Colab для обучения нашего набора данных.

Начальный ноутбук YOLO-NAS —https://colab.research.google.com/drive/1q0RmeVRzLwRXW-h9dPFSOchwJkThUy6d?pli=1&authuser=4

Шаг 1. Установка необходимой библиотеки Может занять несколько минут.

Шаг 2. Перезапустите среду выполнения, прежде чем двигаться вперед. Важный шаг

Шаг 3. Загрузите предварительно обученные веса — yolo_nas_s или в зависимости от ваших требований.

Запустите следующую ячейку кода, не забудьте указать правильную модель = yolo_nas_s в моем случае.

Запустите эту ячейку выше.

Шаг 4. Тонкая настройка YOLO-NAS на пользовательском наборе данных

Убедитесь, что каталог создан

Шаг 5. Давайте возьмем набор данных из roboflow. Я уже упоминал ссылку на набор данных вверху.

Запустите приведенный выше код ячейки для импорта необходимых модулей, предоставляемых SuperGradients DataLoaders.

Самый важный шаг при загрузке набора данных для обучения.

При необходимости измените размер партии. Я изменил его 4.

Теперь проверьте набор данных. Лучшая часть SuperGradients добавила преобразования

Запустите все ниже показанные ячейки кода.

Шаг 6. Как я уже упоминал, для этого обучения я использую модель yolo_nas_s.

Определение метрик и параметров обучения

Интеграция с инструментами мониторинга экспериментов. SuperGradients имеет встроенную интеграцию с Tensorboard, Weights and Biases, ClearML и DagsHub.

Шаг 7. Начнем тренировку.

Результат обучения выглядит так, для отображения вывода потребуется время.

Наконец-то тренировка окончена. Вы получите свои лучшие и последние веса в папке контрольных точек.

Шаг 8. Оценка лучшей обученной модели на тестовом наборе.

Шаг 9. Выполним обнаружение по лучшей модели.

А. ДЛЯ ИЗОБРАЖЕНИЙ.

Запустите эту ячейку кода ниже, используйте любое изображение, указав правильный путь, и оно отобразит прогнозируемый результат.

Б. ДЛЯ ВИДЕО.

Вывод будет сохранен в папке содержимого в формате .mp4.

Спасибо

Я также сделал обучающее видео по этой теме. Вы можете посмотреть его на моем канале YouTube.

Мой профиль в LinkedIn —https://www.linkedin.com/in/joelnadar123

Моя страница в Твиттере —https://twitter.com/mrtweeter333?t=IrA-LZW5ZMcPL4DL_GZigw&s=09

Пожалуйста, не стесняйтесь обращаться ко мне, если вам нужна дополнительная информация .