Meituan YOLOv6

Visión general

Meituan YOLOv6 es un detector de objetos de última generación que ofrece un notable equilibrio entre velocidad y precisión, lo que lo convierte en una elección popular para aplicaciones en tiempo real. Este modelo introduce varias mejoras notables en su arquitectura y esquema de entrenamiento, incluida la implementación de un módulo de Concatenación Bidireccional (BiC), una estrategia de entrenamiento asistido por anclas (AAT) y un diseño mejorado de la columna vertebral y el cuello para obtener una precisión de vanguardia en el conjunto de datos COCO.

Visión general de YOLOv6. Diagrama de la arquitectura del modelo que muestra los componentes rediseñados de la red y las estrategias de entrenamiento que han dado lugar a importantes mejoras de rendimiento. (a) El cuello de YOLOv6 (se muestran N y S). Observa que para 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, que mejora las señales de localización y proporciona mejoras de rendimiento con una degradación insignificante de la velocidad.
• Estrategia de Entrenamiento Asistido por Anclas (AAT): Este modelo propone la AAT para disfrutar de las ventajas de los paradigmas basado en anclas y sin anclas, sin comprometer la eficacia de la inferencia.
• Diseño mejorado de la columna vertebral y el cuello: Al profundizar en YOLOv6 para incluir otra etapa en la columna vertebral y el cuello, este modelo consigue un rendimiento de vanguardia en el conjunto de datos COCO con una entrada de alta resolución.
• Estrategia de autodestilación: Se aplica una nueva estrategia de autodestilación para aumentar el rendimiento de los modelos más pequeños de YOLOv6, potenciando la rama de regresión auxiliar durante el entrenamiento y eliminándola en la inferencia para evitar un marcado descenso 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 Tesla 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 proporciona modelos cuantizados para distintas precisiones y modelos optimizados para plataformas móviles.

Ejemplos de uso

Este ejemplo proporciona ejemplos sencillos de entrenamiento e inferencia de YOLOv6. Para obtener documentación completa sobre estos y otros modos, consulta las páginas de documentación Predecir, Entrenar, Val y Exportar.

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

Tareas y modos admitidos

La serie YOLOv6 ofrece una gama de modelos, cada uno de ellos optimizado para la Detección de Objetos de alto rendimiento. Estos modelos responden a distintas necesidades de cálculo y requisitos de precisión, lo que los hace versátiles para una amplia gama de aplicaciones.

Esta tabla proporciona una visión detallada de las variantes del modelo YOLOv6, destacando sus capacidades en tareas de detección de objetos y su compatibilidad con diversos modos operativos, como Inferencia, Validación, Entrenamiento y Exportación. Esta completa compatibilidad garantiza que los usuarios puedan aprovechar plenamente las capacidades de los modelos YOLOv6 en una amplia gama de escenarios de detección de objetos.

Citas y agradecimientos

Queremos agradecer a los autores 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 documento original de YOLOv6 puede consultarse en arXiv. Los autores han puesto su trabajo a disposición del público, y se puede acceder al código base en GitHub. Agradecemos sus esfuerzos por hacer avanzar el campo y poner su trabajo a disposición de la comunidad en general.

Comentarios