For the complete documentation index, see llms.txt. This page is also available as Markdown.

YOLO-NAS

YOLO-NAS 物体検出モデルを Serverless Cloud API 経由で使用します

YOLO-NAS は Deci の物体検出モデルで、ニューラルアーキテクチャ探索によって生成されています。Roboflow は COCO で事前学習された YOLO-NAS のチェックポイントを短い別名で提供しており、あなたは 独自の重みをアップロードして 他所で学習したモデルを実行できます。

Roboflow では YOLO-NAS の学習はサポートされていません。Roboflow で学習した検出器については、次を参照してください。 RF-DETR, YOLO26、または YOLO11.

YOLO-NAS の事前学習済み別名

これらの ID のいずれかを model_id として指定すると、何も学習せずに COCO 事前学習済みチェックポイントを実行できます。完全な一覧は次の 事前学習済みモデルの別名 ページにあります。

モデル
入力サイズ
タスク
モデル ID
テスト

YOLO-NAS(小)

640

物体検出

yolo-nas-s-640

YOLO-NAS(中)

640

物体検出

yolo-nas-m-640

YOLO-NAS(大)

640

物体検出

yolo-nas-l-640

YOLO-NAS API

1

API キーを取得

Roboflow アカウントを作成し、次のページでキーを確認します: Roboflow API 設定ページ そしてそれをシェルで利用可能にします:

export ROBOFLOW_API_KEY="your-key-here"
2

依存関係をインストールする

Inference SDK と supervision をインストールして、予測のデコードと描画を行います:

pip install -U inference-sdk supervision opencv-python
3

モデルを実行する

この例では事前学習済みの yolo-nas-s-640 チェックポイントを実行します。独自の重みを配信するには、あなたの {workspace}/{model-slug} ID に置き換えてください( バージョン、学習、モデル).

import os
import cv2
import supervision as sv
from inference_sdk import InferenceHTTPClient, InferenceConfiguration

image = sv.load_image_from_url("https://media.roboflow.com/inference/people-walking.jpg")

client = InferenceHTTPClient(
    api_url="https://serverless.roboflow.com",
    api_key=os.environ["ROBOFLOW_API_KEY"],
).configure(InferenceConfiguration(api_key_transport="header"))
results = client.infer(image, model_id="yolo-nas-s-640")

detections = sv.Detections.from_inference(results)

labels = [
    f"{name} {conf:.2f}"
    for name, conf in zip(detections.data["class_name"], detections.confidence)
]
annotated = sv.BoxAnnotator().annotate(image.copy(), detections)
annotated = sv.LabelAnnotator().annotate(annotated, detections, labels=labels)
cv2.imwrite("annotated.png", annotated)

設定する api_url をデプロイ先に合わせます:

  • https://serverless.roboflow.com Serverless Cloud API 用。

  • http://localhost:9001 ローカルの Inference サーバー用。

  • あなたの 専用デプロイ のプライベートエンドポイント用 URL。

また、次の inference パッケージを使ってチェックポイントをプロセス内で読み込むこともできます:

from inference import get_model

model = get_model(model_id="yolo-nas-s-640")
results = model.infer("https://media.roboflow.com/inference/people-walking.jpg")

カスタム重みをアップロードする

Roboflow の外部で学習した YOLO-NAS モデルを実行するには、 Roboflow CLI:

モデル ディレクトリには opt.yaml が必要で、アーキテクチャ名を指定します(例: architecture: yolo_nas_s)。次を参照してください。 カスタム重みをアップロードする Python SDK と学習版の要件について。

最終更新

役に立ちましたか?