YOLO-NAS是一种基于YOLO架构的开源计算机视觉模型，通过神经架构搜索（NAS）技术，测试不同的架构以找到给定参数集下的最优解。在COCO数据集上评估时，YOLO-NAS相较于YOLOv6、YOLOv7和Ultralytics YOLOv8等前辈模型，实现了更低的延迟和更高的准确率。该模型是Deci AI维护的超梯度模型生态系统的一部分。现在，可以在Roboflow平台上训练和部署YOLO-NAS对象检测模型。
Deci团队在Roboflow 100数据集上对YOLO-NAS的性能进行了基准测试，该数据集旨在衡量模型在特定、定义明确的任务集上训练时的性能。结果表明，模型在所有类别上都表现出色。
要在Roboflow平台上训练YOLO-NAS对象检测模型，需要执行以下步骤：
首先，创建一个免费的Roboflow账户。要训练一个模型，需要一个标记好的数据集。可以在Roboflow Annotate中标记数据集，或者可以上传已经标记的图像到Roboflow平台，用于数据集生成和模型训练。一旦标记了数据，可以生成一个数据集版本，可以用它来训练模型。
要了解更多关于在Roboflow中设置项目的信息，请参考Roboflow入门指南。生成数据集版本后，可以训练YOLO-NAS模型。为此，点击数据集页面上的“使用Roboflow训练”按钮。然后，选择“YOLO-NAS”选项。选择“YOLO-NAS”后，系统会要求选择模型大小。建议从小型号开始训练以进行测试，如果需要在生产前达到最大准确率，则选择中型。接下来，选择想从哪个检查点开始训练。建议从Roboflow MS COCO预训练权重检查点开始训练模型的第一个版本。如果模型表现良好，可以使用模型的现有版本作为检查点。这将有助于随着时间的推移调整模型以获得最佳性能。
只能使用现有的YOLO-NAS模型作为检查点。在Roboflow中训练或上传的其他模型类型（例如Roboflow Train 3.0）不能用作YOLO-NAS训练的检查点。点击“继续”。训练作业将被分配给服务器进行处理，将收到模型训练需要多长时间的估计。当负责训练模型的计算机准备好后，将出现一个图表，使能够实时评估模型训练作业的进展情况。
一旦在Roboflow上训练了YOLO-NAS模型，可以通过Roboflow托管的API使用它，或者使用Roboflow Inference，一个开源的推理服务器，将模型部署到自己的硬件上。使用托管API进行部署是理想的选择，如果有大量图像想要批量处理。对于想要实时运行模型的场景，建议使用Roboflow Inference部署模型。
让走过将YOLO-NAS模型部署到自己的硬件上的摄像头流所需的步骤。首先，需要安装Inference，这是一个开源软件，可以用它来运行广泛的计算机视觉模型架构，从CLIP到YOLO-NAS。要安装Inference，请运行：pip install inference。接下来，从Roboflow仪表板中检索Roboflow API密钥。在名为ROBOFLOW_API_KEY的环境变量中设置API密钥：export ROBOFLOW_API_KEY=""。现在准备部署模型。
可以使用Inference中的InferencePipeline将模型部署到摄像头。还可以使用InferencePipeline在视频文件或RTSP流上运行模型。让在网络摄像头流上部署模型。创建一个新的Python文件，并添加以下代码：
from inference import InferencePipeline
from inference.core.interfaces.stream.sinks import render_boxes
pipeline = InferencePipeline.init(
model_id="your-model-id/1”,
video_reference=0,
on_prediction=render_boxes,
)
pipeline.start()
pipeline.join()
上述代码中，将your-model-id/1替换为Roboflow模型ID。了解如何检索Roboflow模型ID。将0替换为网络摄像头ID。默认情况下，默认网络摄像头应使用ID 0。也可以将此值设置为视频文件名或RTSP流URL。在上述代码中，使用Inference运行模型。render_boxes回调将实时显示网络摄像头，并显示与模型的检测相对应的边界框。
当第一次运行上述脚本时，与模型相关的权重将被下载到设备上。这将需要一些时间。然后，模型将开始运行。