YOLO-NAS（You Only Look Once - Neural Architecture Search）是一种基于YOLO（You Only Look Once）的目标检测算法，结合神经架构搜索（NAS）技术来优化模型性能。

YOLO是一种实时目标检测算法，使用深度神经网络模型，特别是卷积神经网络，来实时检测和分类对象。自2016年首次提出以来，由于其高准确性和速度，YOLO已成为目标检测和分类任务中最受欢迎的算法之一。

而YOLO-NAS是深度学习公司Deci.ai推出的一种新的实时最先进的对象检测模型。该模型使用Deci的AutoNAC™ NAS技术构建，通过解决现有的局限性并结合深度学习的最新进展来重新定义最先进的对象检测。YOLO-NAS在mAP（平均精度）和推理延迟方面优于YOLOv6和YOLOv8模型，提供了卓越的实时对象检测能力和高性能，可用于生产。

YOLO-NAS模型的关键架构是使用Deci的专有NAS技术AutoNAC“发现”的。该技术不依赖手动设计和人类直觉，而是采用优化算法来发现最适合给定任务的架构。在整个NAS搜索空间中，有1014种可能的架构配置。AutoNAC引擎考虑了推理堆栈中的所有组件，包括编译器和量化，以找到最佳模型。

此外，YOLO-NAS模型采用量化感知架构和选择性量化来优化性能。该模型的设计特点是自适应量化，根据延迟/吞吐量改进以及精度损失之间的平衡跳过特定层中的量化。这使得YOLO-NAS在转换为INT8量化版本时，与其他模型相比，精度下降较小。

YOLO-NAS是一种结合YOLO算法和NAS技术的创新架构，旨在提供卓越的实时对象检测能力和高性能。该模型在知名数据集上进行了预训练，非常适合生产环境中的下游对象检测任务。

YOLO-NAS模型在精度和推理速度方面相比其他YOLO模型有显著提升。

        在精度方面，YOLO-NAS模型使用Deci的AutoNAC™ NAS技术构建，通过在整个NAS搜索空间中寻找最佳架构配置，实现了更高的平均精度（mAP）。与传统的YOLO模型相比，YOLO-NAS在mAP方面表现出色，优于YOLOv6、YOLOv7和YOLOv8等模型，甚至包括最近推出的YOLOv6-v3.0。

        在推理速度方面，YOLO-NAS模型也取得了显著进展。通过采用量化感知架构和选择性量化技术，YOLO-NAS模型在保持高精度的同时，实现了更快的推理速度。这使得YOLO-NAS模型在实时目标检测任务中具有更高的效率和性能。

        YOLO-NAS模型还在架构层面进行了优化，采用由QA-RepVGG块组成的量化感知“QSP”和“QCI”模块，提供了8位量化和重新参数化的好处。这种优化进一步提高了模型的推理速度和精度，使得YOLO-NAS模型在与其他模型的比较中脱颖而出。