Meituan YOLOv6

Descripción general

El Meituan YOLOv6, lanzado 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 notables en su arquitectura y esquema de entrenamiento, incluyendo la implementación de un módulo de concatenación bidireccional (BiC), una estrategia de entrenamiento asistido por anclas (AAT) y un diseño mejorado de backbone y neck para obtener una alta precisión en el dataset COCO.

Visión general de YOLOv6. Diagrama de arquitectura del modelo que muestra los componentes de red rediseñados y las estrategias de entrenamiento que han conducido a mejoras significativas en el rendimiento. (a) El neck de YOLOv6 (se muestran N y S). Ten en cuenta que para M/L, RepBlocks se reemplaza por CSPStackRep. (b) La estructura de un módulo BiC. (c) Un bloque SimCSPSPPF. (fuente).

Características clave

• Módulo de Concatenación Bidireccional (BiC): YOLOv6 introduce un módulo BiC en el neck del detector, mejorando las señales de localización y ofreciendo ganancias de rendimiento con una degradación de la velocidad insignificante.
• Estrategia de Entrenamiento Asistido por Anclas (AAT): Este modelo propone AAT para disfrutar de las ventajas de los paradigmas basados en anclas y sin anclas sin comprometer la eficiencia de la inferencia.
• Diseño mejorado de Backbone y Neck: Al profundizar YOLOv6 para incluir otra etapa en el backbone y el neck, este modelo logró un sólido rendimiento en el dataset COCO con entradas de alta resolución en el momento de su lanzamiento.
• Estrategia de Autodestilación: Se implementa una nueva estrategia de autodestilación para aumentar el rendimiento de los modelos más pequeños de YOLOv6, mejorando la rama de regresión auxiliar durante el entrenamiento y eliminándola en la inferencia para evitar una disminución marcada de la velocidad.

Métricas de rendimiento

YOLOv6 proporciona varios modelos preentrenados con diferentes escalas:

• YOLOv6-N: 37,5% AP en COCO val2017 a 1187 FPS con GPU NVIDIA T4.
• YOLOv6-S: 45,0% AP a 484 FPS.
• YOLOv6-M: 50,0% AP a 226 FPS.
• YOLOv6-L: 52,8% AP a 116 FPS.
• YOLOv6-L6: Precisión de vanguardia en tiempo real.

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

Ejemplos de uso

Este ejemplo proporciona ejemplos sencillos de entrenamiento e inferencia con YOLOv6. Para obtener 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 admitidos

La serie YOLOv6 ofrece una gama de modelos, cada uno optimizado para Detección de Objetos de alto rendimiento. Estos modelos se adaptan a diversas necesidades computacionales y requisitos de precisión, lo que los hace versátiles para una amplia gama de aplicaciones.

Esta tabla proporciona una visión general detallada de las variantes del modelo YOLOv6, destacando sus capacidades en tareas de detección de objetos y su compatibilidad con varios modos operativos como Inferencia, Validación, Entrenamiento y Exportación. Este soporte integral garantiza que puedas aprovechar al máximo las capacidades de los modelos YOLOv6 en una amplia gama de escenarios de detección de objetos.

Citas y reconocimientos

Nos gustaría reconocer a los autores por sus importantes contribuciones en el 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 se puede encontrar en arXiv. Los autores han hecho que su trabajo esté disponible públicamente, y puedes acceder al código base en GitHub. Apreciamos sus esfuerzos para avanzar en el campo y hacer que su trabajo sea accesible para la comunidad en general.

Preguntas frecuentes

¿Qué es Meituan YOLOv6 y qué lo hace único?

Meituan YOLOv6, lanzado en 2022, es un detector de objetos que equilibra la velocidad y la precisión, diseñado para aplicaciones en tiempo real. Cuenta con notables mejoras arquitectónicas como el módulo de Concatenación Bidireccional (BiC) y una estrategia de Entrenamiento Asistido por Anclas (AAT). Estas innovaciones proporcionan ganancias sustanciales de rendimiento con una degradación mínima de la velocidad, lo que convierte a YOLOv6 en una opción competitiva para tareas de detección de objetos.

¿Cómo mejora el rendimiento el Módulo de Concatenación Bidireccional (BiC) en YOLOv6?

El módulo de Concatenación Bidireccional (BiC) en YOLOv6 mejora las señales de localización en el neck del detector, ofreciendo mejoras de rendimiento con un impacto de velocidad insignificante. Este módulo combina eficazmente diferentes mapas de características, aumentando la capacidad del modelo para detectar objetos con precisión. Para obtener más detalles sobre las características de YOLOv6, consulta la sección Características Clave.

¿Cómo puedo entrenar un modelo YOLOv6 usando Ultralytics?

Puedes entrenar un modelo YOLOv6 usando Ultralytics con comandos sencillos de Python o CLI. Por ejemplo:

from ultralytics import YOLO

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

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

Para obtener más información, visita la página de Entrenamiento.

¿Cuáles son las diferentes versiones de YOLOv6 y sus métricas de rendimiento?

YOLOv6 ofrece múltiples versiones, cada una optimizada para diferentes requisitos de rendimiento:

• YOLOv6-N: 37,5% AP a 1187 FPS
• YOLOv6-S: 45,0% AP a 484 FPS
• YOLOv6-M: 50,0% AP a 226 FPS
• YOLOv6-L: 52,8% AP a 116 FPS
• YOLOv6-L6: Precisión de vanguardia en escenarios en tiempo real

Estos modelos se evalúan en el dataset COCO utilizando una GPU NVIDIA T4. Para obtener más información sobre las métricas de rendimiento, consulta la sección Métricas de Rendimiento.

¿Cómo beneficia la estrategia de Entrenamiento Asistido por Anclas (AAT) a YOLOv6?

El Entrenamiento Asistido por Anclas (AAT) en YOLOv6 combina elementos de enfoques basados en anclas y sin anclas, mejorando las capacidades de detección del modelo sin comprometer la eficiencia de la inferencia. Esta estrategia aprovecha las anclas durante el entrenamiento para mejorar las predicciones de cajas delimitadoras, lo que hace que YOLOv6 sea eficaz en diversas tareas de detección de objetos.

¿Qué modos operativos son compatibles con los modelos YOLOv6 en Ultralytics?

YOLOv6 admite varios modos operativos, incluyendo Inferencia, Validación, Entrenamiento y Exportación. Esta flexibilidad permite a los usuarios aprovechar al máximo las capacidades del modelo en diferentes escenarios. Echa un vistazo a la sección Tareas y Modos Admitidos para obtener una visión general detallada de cada modo.