SuperGradients 开源项目教程

SuperGradients 开源项目教程

super-gradientsDeci-AI/super-gradients: 是一个用于深度学习模型优化的库。适合用于需要训练和优化深度学习模型的研究者和开发者。特点是可以提供高效的优化算法和工具，支持多种深度学习框架。项目地址:https://gitcode.com/gh_mirrors/su/super-gradients

项目介绍

SuperGradients 是一个由 Deci AI 开发的深度学习训练库，专注于计算机视觉任务。该库提供了预训练的 SOTA（State of the Art）模型，以及一系列经过验证的超参数，帮助用户轻松实现最佳的模型性能。SuperGradients 支持多种模型架构，如 ViT、EfficientNet、RegNet 等，并且与 TensorRT 和 OpenVINO 等部署工具兼容，使得模型可以轻松地投入生产环境。

项目快速启动

安装 SuperGradients

你可以通过以下命令安装 SuperGradients：

pip install super-gradients

加载预训练模型

以下是一个简单的示例，展示如何加载一个预训练的 YOLO-NAS 模型：

from super_gradients.training import models
from super_gradients.common.object_names import Models

model = models.get(Models.YOLO_NAS_M, pretrained_weights="coco")

应用案例和最佳实践

图像分类

SuperGradients 提供了多种预训练的图像分类模型，如 ViT、EfficientNet 等。以下是一个使用 ViT 模型进行图像分类的示例：

from super_gradients.training import models
from super_gradients.common.object_names import Models

model = models.get(Models.VIT_BASE, pretrained_weights="imagenet21k")

目标检测

YOLO-NAS 模型是 SuperGradients 中一个强大的目标检测模型。以下是一个使用 YOLO-NAS 进行目标检测的示例：

from super_gradients.training import models
from super_gradients.common.object_names import Models

model = models.get(Models.YOLO_NAS_M, pretrained_weights="coco")

典型生态项目

TensorRT 部署

SuperGradients 模型可以轻松地转换为 TensorRT 格式，以便在 NVIDIA GPU 上进行高效推理。以下是一个将模型转换为 TensorRT 格式的示例：

from super_gradients.training import models
from super_gradients.common.object_names import Models

model = models.get(Models.YOLO_NAS_M, pretrained_weights="coco")
model.prepare_for_conversion()

OpenVINO 部署

SuperGradients 模型也可以转换为 OpenVINO 格式，以便在 Intel 硬件上进行高效推理。以下是一个将模型转换为 OpenVINO 格式的示例：

from super_gradients.training import models
from super_gradients.common.object_names import Models

model = models.get(Models.YOLO_NAS_M, pretrained_weights="coco")
model.prepare_for_conversion()

通过这些示例，你可以看到 SuperGradients 不仅提供了强大的预训练模型，还支持多种部署工具，使得模型可以轻松地投入生产环境。

super-gradientsDeci-AI/super-gradients: 是一个用于深度学习模型优化的库。适合用于需要训练和优化深度学习模型的研究者和开发者。特点是可以提供高效的优化算法和工具，支持多种深度学习框架。项目地址:https://gitcode.com/gh_mirrors/su/super-gradients