ميتوان يولو v6

نظره عامه

ميتوان YOLOv6 هو كاشف كائنات متطور يوفر توازنا ملحوظا بين السرعة والدقة ، مما يجعله خيارا شائعا للتطبيقات في الوقت الفعلي. يقدم هذا النموذج العديد من التحسينات الملحوظة على هيكله ومخطط التدريب الخاص به ، بما في ذلك تنفيذ وحدة التسلسل ثنائي الاتجاه (BiC) ، واستراتيجية التدريب بمساعدة المرساة (AAT) ، وتصميم العمود الفقري والرقبة المحسن للحصول على أحدث دقة في مجموعة بيانات COCO.

نظرة عامة على YOLOv6. رسم تخطيطي لبنية النموذج يوضح مكونات الشبكة المعاد تصميمها واستراتيجيات التدريب التي أدت إلى تحسينات كبيرة في الأداء. (أ) رقبة YOLOv6 (يظهر N و S). ملاحظة بالنسبة ل M / L ، يتم استبدال RepBlocks ب CSPStackRep. (ب) هيكل وحدة BiC. (ج) كتلة SimCSPSPF. (مصدر).

الميزات الرئيسية

• وحدة التسلسل ثنائي الاتجاه (BiC): يقدم YOLOv6 وحدة BiC في عنق الكاشف ، مما يعزز إشارات التوطين ويوفر مكاسب في الأداء مع تدهور ضئيل في السرعة.
• استراتيجية التدريب بمساعدة المرساة (AAT): يقترح هذا النموذج AAT للتمتع بفوائد كل من النماذج القائمة على المرساة والخالية من المرساة دون المساس بكفاءة الاستدلال.
• تصميم محسن للعمود الفقري والرقبة: من خلال تعميق YOLOv6 ليشمل مرحلة أخرى في العمود الفقري والرقبة ، يحقق هذا النموذج أداء متطورا على مجموعة بيانات COCO عند إدخال عالي الدقة.
• استراتيجية التقطير الذاتي: يتم تنفيذ استراتيجية جديدة للتقطير الذاتي لتعزيز أداء النماذج الأصغر من YOLOv6 ، وتعزيز فرع الانحدار الإضافي أثناء التدريب وإزالته عند الاستدلال لتجنب انخفاض السرعة بشكل ملحوظ.

مقاييس الأداء

يوفر YOLOv6 العديد من النماذج المدربة مسبقا بمقاييس مختلفة:

• YOLOv6-N: 37.5٪ AP على COCO val2017 بمعدل 1187 إطارا في الثانية مع وحدة معالجة الرسومات NVIDIA Tesla T4.
• YOLOv6-S: 45.0٪ AP بمعدل 484 إطارا في الثانية.
• YOLOv6-M: 50.0٪ AP بمعدل 226 إطارا في الثانية.
• YOLOv6-L: 52.8٪ AP بمعدل 116 إطارا في الثانية.
• YOLOv6-L6: دقة متطورة في الوقت الفعلي.

يوفر YOLOv6 أيضا نماذج كمية لدقة مختلفة ونماذج محسنة لمنصات الأجهزة المحمولة.

أمثلة الاستخدام

يوفر هذا المثال أمثلة بسيطة للتدريب والاستدلال على YOLOv6. للحصول على وثائق كاملة حول هذه الأوضاع وغيرها ، راجع صفحات مستندات التنبؤ والتدريب وVal والتصدير.

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')

# Build a YOLOv6n model from scratch and train it on the COCO8 example dataset for 100 epochs
yolo train model=yolov6n.yaml data=coco8.yaml epochs=100 imgsz=640

# Build a YOLOv6n model from scratch and run inference on the 'bus.jpg' image
yolo predict model=yolov6n.yaml source=path/to/bus.jpg

المهام والأوضاع المدعومة

تقدم سلسلة YOLOv6 مجموعة من الطرز ، كل منها محسن لاكتشاف الأشياء عالي الأداء. تلبي هذه النماذج الاحتياجات الحسابية المختلفة ومتطلبات الدقة ، مما يجعلها متعددة الاستخدامات لمجموعة واسعة من التطبيقات.

يقدم هذا الجدول نظرة عامة مفصلة على متغيرات نموذج YOLOv6 ، مع تسليط الضوء على قدراتها في مهام اكتشاف الكائنات وتوافقها مع أوضاع التشغيل المختلفة مثل الاستدلال والتحقق من الصحة والتدريب والتصدير. يضمن هذا الدعم الشامل أن يتمكن المستخدمون من الاستفادة الكاملة من إمكانات نماذج YOLOv6 في مجموعة واسعة من سيناريوهات اكتشاف الكائنات.

الاستشهادات والشكر

نود أن نعرب عن تقديرنا للمؤلفين لمساهماتهم الكبيرة في مجال اكتشاف الأشياء في الوقت الفعلي:

@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 YOLOv6 الأصلية على arXiv. جعل المؤلفون أعمالهم متاحة للجمهور ، ويمكن الوصول إلى قاعدة التعليمات البرمجية على GitHub. نحن نقدر جهودهم في النهوض بالمجال وجعل عملهم في متناول المجتمع الأوسع.

التعليقات