Meituan YOLOv6#

Descripción general#

Meituan YOLOv6, presentado en 2022, ofrece un sólido equilibrio entre velocidad y precisión, lo que lo convierte en una opción popular para aplicaciones en tiempo real. Este modelo introduce varias mejoras destacadas en su arquitectura y estrategia de entrenamiento, incluida la implementación de un módulo de concatenación bidireccional (BiC), una estrategia de entrenamiento asistido por anclas (AAT) y un diseño mejorado del backbone y el cuello para lograr una alta precisión en el conjunto de datos COCO.

Descripción general de YOLOv6. Diagrama de la arquitectura del modelo que muestra los componentes de red rediseñados y las estrategias de entrenamiento que han dado lugar a mejoras significativas del rendimiento. (a) El cuello de YOLOv6 (se muestran N y S). Nota: en M/L, RepBlocks se sustituye por CSPStackRep. (b) La estructura de un módulo BiC. (c) Un bloque SimCSPSPPF. (fuente).

Características principales#

• Módulo de concatenación bidireccional (BiC): YOLOv6 introduce un módulo BiC en el cuello del detector, lo que mejora las señales de localización y ofrece mejoras de rendimiento con una degradación insignificante de la velocidad.
• Estrategia de entrenamiento asistido por anclas (AAT): Este modelo propone AAT para aprovechar las ventajas de los paradigmas basado en anclas y sin anclas sin comprometer la eficiencia de la inferencia.
• Diseño mejorado del backbone y el cuello: Al profundizar YOLOv6 para incluir otra etapa en el backbone y el cuello, este modelo logró un rendimiento sólido en el conjunto de datos COCO con entradas de alta resolución en el momento de su lanzamiento.
• Estrategia de autodestilación: Se implementa una nueva estrategia de autodestilación para mejorar el rendimiento de los modelos más pequeños de YOLOv6, potenciando la rama de regresión auxiliar durante el entrenamiento y eliminándola durante la inferencia para evitar una disminución notable de la velocidad.

Métricas de rendimiento#

YOLOv6 ofrece varios modelos preentrenados con distintas escalas:

• YOLOv6-N: 37.5 % de AP en COCO val2017 a 1187 FPS con una GPU NVIDIA T4.
• YOLOv6-S: 45.0 % de AP a 484 FPS.
• YOLOv6-M: 50.0 % de AP a 226 FPS.
• YOLOv6-L: 52.8 % de AP a 116 FPS.
• YOLOv6-L6: precisión de vanguardia en tiempo real.

YOLOv6 también ofrece modelos cuantizados para distintas precisiones y modelos optimizados para plataformas móviles.

Ejemplos de uso#

Este ejemplo proporciona ejemplos sencillos de entrenamiento e inferencia con YOLOv6. Para consultar la documentación completa sobre estos y otros modos, consulta las páginas de documentación de Predict, Train, Val y Export.

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")

Tareas y modos compatibles#

La serie YOLOv6 ofrece una gama de modelos, cada uno optimizado para la detección de objetos de alto rendimiento. Estos modelos se adaptan a distintas necesidades computacionales y requisitos de precisión, por lo que son versátiles para una amplia variedad de aplicaciones.

Esta tabla ofrece una descripción detallada de las variantes del modelo YOLOv6 y destaca sus capacidades en tareas de detección de objetos, así como su compatibilidad con diversos modos operativos, como Inferencia, Validación, Entrenamiento y Exportación. Esta compatibilidad integral garantiza que puedas aprovechar plenamente las capacidades de los modelos YOLOv6 en una amplia variedad de escenarios de detección de objetos.

Citas y agradecimientos#

Nos gustaría reconocer a los autores por sus importantes contribuciones al campo de la detección de objetos en tiempo real:

@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}
}

El artículo original de YOLOv6 está disponible en arXiv. Los autores han puesto su trabajo a disposición del público y el código fuente se puede consultar en GitHub. Agradecemos sus esfuerzos por impulsar este campo y hacer accesible su trabajo a una comunidad más amplia.

Preguntas frecuentes#