對象檢測徹底改變了機器感覺和解釋人類世界的方式。這是計算機視覺中一項特别關鍵的任務，使機器能夠識别和定位圖像或視訊中的物體。如自動駕駛汽車、面部識别系統等。推動對象檢測進步的一個關鍵因素是發明了神經網絡架構。強大的神經網絡推動了對象檢測的進步，增強了計算機視覺的能力。特别是，Faster R-CNN和YOLO等架構在塑造現代物體檢測架構方面發揮了重要作用。
YOLO代表You Only Look Once，是最流行和最成功的物體檢測方法之一。YOLO的第一個版本于2016年推出，通過将對象檢測視為單個回歸問題，改變了對象檢測的執行方式。它将圖像劃分為網格，同時預測邊界框和類機率。雖然它比以前的物體檢測方法更快，但YOLOv1在檢測小物體方面有局限性。自從第一個YOLO架構出現以來，已經開發了幾種基于YOLO的架構，YOLOv6、YOLOv7和YOLOv8是YOLO家族目前最先進的型号。
YOLO-NAS對象檢測算法
新的YOLO-NAS以無與倫比的精度-速度性能提供最先進的（SOTA）性能，優于YOLOv5、YOLOv6、YOLOv7和YOLOv8等其他型号。現有的YOLO模型面臨限制，如量化支援不足和準确性延遲權衡不足。YOLO-NAS模型在包括COCO、Objects365和Roboflow 100在内的知名資料集上進行了預訓練，使其非常适合生産環境中的下遊對象檢測任務。YOLO-NAS的釋出在對象檢測模型的推理性能和效率方面實作了重大飛躍，解決了傳統模型的局限性，并為各種任務和硬體提供了前所未有的适應性。
YOLO-NAS對象檢測算法新功能
- YOLO-NAS模型的架構是使用Deci的專有NAS技術AutoNAC“發現的”。該引擎用于确定階段的最佳尺寸和結構，包括塊類型、塊數量和每個階段的通道數量。
- 在整個NAS搜尋空間中，有1014種可能的架構配置。作為硬體和資料感覺，AutoNAC引擎考慮了推理堆棧中的所有元件，包括編譯器和量化，并磨練成一個被稱為“效率前沿”的區域，以找到最佳模型。
- 在整個NAS過程中，量化感覺RepVGG（QA-RepVGG）塊被納入模型架構，保證模型與訓練後量化（PTQ）的相容性。
- 使用由QA-RepVGG塊組成的量化感覺“QSP”和“QCI”子產品，提供8位量化和重新參數化的好處是在PTQ期間将精度損失降至最低。
- 研究人員還使用混合量化方法，選擇性地量化特定層，以優化準确性和延遲權衡，同時保持整體性能。
- YOLO-NAS模型還使用注意力機制和時間推理參數化來提高物體檢測能力。
YOLO-NAS的多階段訓練過程包括關于Object365、COCO僞标簽資料、知識蒸餾（KD）和配置設定焦點損失（DFL）的預訓練。該模型在Objects365上進行了預訓練，Objects365是一個擁有200萬張圖像和365類别的綜合資料集。COCO資料集提供了額外的123k張無标簽圖像，用于生成僞标記資料。在COCO上訓練一個準确模型來标記這些圖像，然後用原始的118k圖像來訓練YOLO-NAS模型。
YOLO-NAS架構還結合了知識蒸餾（KD）和配置設定焦點損失（DFL），以增強其訓練過程。
YOLO-NAS對象檢測算法代碼實作
在使用YOLO-NAS前，我們依然按照标準的代碼規範，先安裝第三方庫，主要庫如下
!pip install fastcore -U
!pip install super-gradients==3.1.0
!pip install imutils
!pip install roboflow
!pip install pytube --upgrade 安裝完成後，我們就可以使用YOLO-NAS來進行對象檢測的操作了。
from super_gradients.training import models
yolo_nas_l = models.get("yolo_nas_l", pretrained_weights="coco") 然後我們初始化一個對象檢測model，并加載coco預訓練模型，一旦我們配置好了模型，便可以進行對象檢測了，對象檢測可以使用如下類型進行圖檔或者視訊的檢測。
'''
PIL Image
Numpy Image
A path to image file
A path to video file
A path to folder with images
URL (Image only)
'''
yolo_nas_l.predict(url, conf=0.25).show() 我們可以使用predict方法進行對象檢測，傳遞的參數一個是需要檢測的對象（圖檔，視訊即可，當然也可以是一個URL位址），另外一個是置信度。檢測完成後，最後使用show方法顯示檢測後的結果。
模型的檢測主要是如下步驟：
- 輸入圖像通過預處理管道，其中包括圖像大小調整、标準化和permute操作，以将輸入RGB圖像轉換為tensor張量。
- 模型推斷
- 檢測結果的後期處理（非最大抑制，将邊界框調整為原始圖像的大小）
- 結果的可視化（圖像頂部邊界框的渲染）
當然模型同樣支援視訊的檢測，我們隻需要把圖檔的位址換成視訊的位址即可
import torch
device = 'cuda' if torch.cuda.is_available(）else 'CPU'
yolo_nas_l.to(device).predict('11.mp4').save('22.mp4')
開源位址：
#https://github.com/Deci-AI/super-gradients/blob/master/YOLONAS.md 下表羅列了YOLO系列模型的對比參數，從參數來看，其YOLO-NAS模型的參數量與精度，延遲參數以及AP都是目前最好的。
在計算機視覺和深度學習領域的不懈研究和創新的推動下，對象檢測最先進的（SOTA）模型也在不斷發展。雖然目前YOLO系列模型是目前對象檢測算法最好的模型，但是未來随着深度學習架構的不斷發展，相信還會出現越來越多，越來越好的對象檢測模型。
其他YOLO模型文章參考：
YOLO對象檢測算法又又又更新了，YOLOv8橫空出世
高大上的YOLOV3對象檢測算法，使用python也可輕松實作
使用python輕松實作高大上的YOLOV4對象檢測算法
基于python的YOLOV5對象檢測模型實作
人工智能領域也卷了嗎——YOLO系列又被重新整理了，YOLOv7橫空出世
YOLOv7與MediaPipe在人體姿态估計上的對比