Meituan YOLOv6#

نظرة عامة#

يقدم نموذج Meituan YOLOv6، الذي تم إصداره في عام 2022، توازناً قوياً بين السرعة والدقة، مما يجعله خياراً شائعاً للتطبيقات في الوقت الفعلي. يقدم هذا النموذج عدة تحسينات بارزة على بنيته ونمط تدريبه، بما في ذلك تنفيذ وحدة الدمج ثنائي الاتجاه (BiC)، واستراتيجية التدريب المدعومة بالمرساة (AAT)، وتصميم محسّن للـ backbone والرقبة (neck) لتحقيق دقة عالية على COCO dataset.

نظرة عامة على YOLOv6. مخطط بنية النموذج يوضح مكونات الشبكة المعاد تصميمها واستراتيجيات التدريب التي أدت إلى تحسينات كبيرة في الأداء. (أ) رقبة YOLOv6 (يتم عرض N و S). ملاحظة بالنسبة لـ M/L، يتم استبدال RepBlocks بـ CSPStackRep. (ب) بنية وحدة BiC. (ج) كتلة SimCSPSPPF. (source).

الميزات الرئيسية#

• وحدة التسلسل ثنائي الاتجاه (BiC): يقدم YOLOv6 وحدة BiC في عنق الكاشف، مما يعزز إشارات التوطين ويحقق مكاسب في الأداء مع تدهور لا يذكر في السرعة.
• استراتيجية التدريب المدعومة بالمرساة (AAT): يقترح هذا النموذج تقنية AAT للاستفادة من مزايا النموذجين المعتمد على المراسي anchor-based وغير المعتمد على المراسي anchor-free دون المساس بكفاءة الاستدلال.
• تصميم محسن للعمود الفقري والعنق: من خلال تعميق YOLOv6 ليشمل مرحلة إضافية في العمود الفقري والعنق، حقق هذا النموذج أداءً قوياً على COCO dataset عند مدخلات عالية الدقة وقت صدوره.
• استراتيجية التقطير الذاتي: تم تنفيذ استراتيجية جديدة للتقطير الذاتي لتعزيز أداء النماذج الأصغر من YOLOv6، مما يعزز فرع الانحدار المساعد أثناء التدريب وإزالته عند الاستدلال لتجنب انخفاض ملحوظ في السرعة.

مقاييس الأداء#

يوفر YOLOv6 العديد من النماذج المدربة مسبقاً بمقاييس مختلفة:

• YOLOv6-N: دقة 37.5% AP على COCO val2017 عند 1187 إطاراً في الثانية باستخدام NVIDIA T4 GPU.
• YOLOv6-S: دقة 45.0% AP عند 484 إطاراً في الثانية.
• YOLOv6-M: دقة 50.0% AP عند 226 إطاراً في الثانية.
• YOLOv6-L: دقة 52.8% AP عند 116 إطاراً في الثانية.
• YOLOv6-L6: دقة متطورة في الوقت الحقيقي.

يوفر YOLOv6 أيضاً نماذج مسماة الكمية لمختلف precisions ونماذج محسنة للأجهزة المحمولة.

أمثلة الاستخدام#

يقدم هذا المثال أمثلة بسيطة للتدريب والاستدلال باستخدام YOLOv6. للحصول على الوثائق الكاملة حول هذه الأنماط وغيرها من modes، راجع صفحات وثائق Predict وTrain وVal وExport.

from ultralytics import YOLO

# Build a YOLOv6n model from scratch
model = YOLO("yolov6n.yaml")

# Display model information (optional)
model.info()

# Train the model on the COCO8 example dataset for 100 epochs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference with the YOLOv6n model on the 'bus.jpg' image
results = model("path/to/bus.jpg")

المهام والأوضاع المدعومة#

تقدم سلسلة YOLOv6 مجموعة من النماذج، كل منها محسّن لـ Object Detection عالية الأداء. تلبي هذه النماذج الاحتياجات الحاسوبية المتنوعة ومتطلبات accuracy، مما يجعلها مرنة لمجموعة واسعة من التطبيقات.

يوفر هذا الجدول نظرة عامة تفصيلية على متغيرات نموذج YOLOv6، مسلطاً الضوء على قدراتها في مهام object detection ومدى توافقها مع مختلف أوضاع التشغيل مثل Inference وValidation وTraining وExport. يضمن هذا الدعم الشامل أن يتمكن المستخدمون من الاستفادة الكاملة من إمكانيات نماذج YOLOv6 في مجموعة واسعة من سيناريوهات كشف الكائنات.

الاقتباسات والشكر#

نود أن نشكر المؤلفين على مساهماتهم الهامة في مجال كشف الكائنات في الوقت الحقيقي:

@misc{li2023yolov6,
      title={YOLOv6 v3.0: A Full-Scale Reloading},
      author={Chuyi Li and Lulu Li and Yifei Geng and Hongliang Jiang and Meng Cheng and Bo Zhang and Zaidan Ke and Xiaoming Xu and Xiangxiang Chu},
      year={2023},
      eprint={2301.05586},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

يمكن العثور على ورقة البحث الأصلية لـ YOLOv6 على arXiv. لقد جعل المؤلفون عملهم متاحاً للعامة، ويمكن الوصول إلى قاعدة الكود على GitHub. نحن نقدر جهودهم في تطوير هذا المجال وجعل عملهم متاحاً للمجتمع الأوسع.

الأسئلة الشائعة#