YOLO-NAS 是基于神经架构搜索（NAS）技术优化的新一代实时目标检测模型，通过自动化搜索策略平衡精度与推理速度，显著提升复杂场景下的检测性能。其核心采用混合量化感知架构，结合重参数化模块与动态稀疏注意力机制，在减少计算量的同时增强小目标及遮挡目标的识别能力。模型通过多目标优化（如延迟、参数量、mAP）搜索出高效网络结构，支持FP16/INT8量化部署，在COCO数据集上较YOLOv8提升约5% mAP，推理速度在移动端GPU上可达80+FPS。适用于自动驾驶、视频监控等实时检测场景，兼顾边缘设备资源限制与高精度需求，提供灵活的速度-精度权衡方案。

源模型工程请访问：YOLO-NAS

Model Farm 所提供的模型性能基准测试以及示例代码皆基于阿加犀AidLite SDK实现

SDK安装

详情请参考AidLite开发者文档

• 安装AidLite SDK

# install aidlite sdk c++ api
sudo aid-pkg -i aidlite-sdk

# install aidlite sdk python api
python3 -m pip install pyaidlite -i https://mirrors.aidlux.com --trusted-host mirrors.aidlux.com

• 验证AidLite SDK

# aidlite sdk c++ check
python3 -c "import aidlite; print(aidlite.get_library_version())"

# aidlite sdk python check
python3 -c "import aidlite; print(aidlite.get_py_library_version())"

推理示例代码

• 在右侧模型性能参考板块中选择目标硬件、AI框架和模型精度
• 点击模型文件 & 测试代码下载模型文件和推理代码包，文件结构如下

/model_farm_{model_name}_aidlite
    
    |__ models # folder where model files are stored

    |__ python # aidlite python model inference example

    |__ cpp # aidlite cpp model inference example

    |__ README.md