Meituan YOLOv6#

Panoramica#

Meituan YOLOv6, rilasciato nel 2022, offre un ottimo equilibrio tra velocità e precisione, rendendolo una scelta popolare per le applicazioni in tempo reale. Questo modello introduce diversi miglioramenti degni di nota all'architettura e allo schema di addestramento, tra cui l'implementazione di un modulo di concatenazione bidirezionale (BiC), una strategia di addestramento assistito da anchor (AAT) e un design migliorato del backbone e del neck per ottenere un'elevata precisione sul dataset COCO.

Panoramica di YOLOv6. Diagramma dell'architettura del modello che mostra i componenti di rete riprogettati e le strategie di addestramento che hanno portato a significativi miglioramenti delle prestazioni. (a) Il neck di YOLOv6 (sono mostrati N e S). Nota: per M/L, RepBlocks è sostituito da CSPStackRep. (b) La struttura di un modulo BiC. (c) Un blocco SimCSPSPPF. (fonte.

Funzionalità principali#

• Modulo di concatenazione bidirezionale (BiC): YOLOv6 introduce un modulo BiC nel neck del rilevatore, migliorando i segnali di localizzazione e offrendo vantaggi prestazionali con un degrado trascurabile della velocità.
• Strategia di addestramento assistito da anchor (AAT): Questo modello propone AAT per sfruttare i vantaggi sia dei paradigmi basati su anchor sia di quelli senza anchor, senza compromettere l'efficienza dell'inferenza.
• Progettazione migliorata del backbone e del neck: Estendendo YOLOv6 con un ulteriore stadio nel backbone e nel neck, al momento del rilascio questo modello ha ottenuto prestazioni elevate sul dataset COCO con input ad alta risoluzione.
• Strategia di auto-distillazione: È stata implementata una nuova strategia di auto-distillazione per migliorare le prestazioni dei modelli YOLOv6 più piccoli, potenziando il ramo ausiliario di regressione durante l'addestramento e rimuovendolo in fase di inferenza per evitare un marcato calo di velocità.

Metriche di prestazione#

YOLOv6 offre diversi modelli preaddestrati con varie dimensioni:

• YOLOv6-N: 37,5% AP sul set COCO val2017 a 1187 FPS con una 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: precisione all'avanguardia in tempo reale.

YOLOv6 offre anche modelli quantizzati con diverse precisioni e modelli ottimizzati per le piattaforme mobili.

Esempi d'uso#

Questo esempio presenta semplici esempi di addestramento e inferenza di YOLOv6. Per la documentazione completa su queste e altre modalità, consulta le pagine della documentazione Predizione, Addestramento, Validazione ed Esportazione.

from ultralytics import YOLO

# Crea da zero un modello YOLOv6n
model = YOLO("yolov6n.yaml")

# Visualizza le informazioni sul modello (facoltativo)
model.info()

# Addestra il modello sul dataset di esempio COCO8 per 100 epoche
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Esegui l'inferenza con il modello YOLOv6n sull'immagine 'bus.jpg'
results = model("path/to/bus.jpg")

Attività e modalità supportate#

La serie YOLOv6 offre una gamma di modelli, ciascuno ottimizzato per il rilevamento di oggetti ad alte prestazioni. Questi modelli soddisfano esigenze computazionali e requisiti di precisione diversi, risultando versatili per un'ampia gamma di applicazioni.

Questa tabella offre una panoramica dettagliata delle varianti del modello YOLOv6, evidenziandone le capacità nelle attività di rilevamento di oggetti e la compatibilità con diverse modalità operative, come inferenza, validazione, addestramento ed esportazione. Questo supporto completo consente agli utenti di sfruttare appieno le capacità dei modelli YOLOv6 in un'ampia gamma di scenari di rilevamento di oggetti.

Citazioni e ringraziamenti#

Desideriamo ringraziare gli autori per il loro importante contributo al campo del rilevamento di oggetti in tempo reale:

@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}
}

L'articolo originale su YOLOv6 è disponibile su arXiv. Gli autori hanno reso pubblica la loro ricerca e il codice è disponibile su GitHub. Apprezziamo il loro impegno nel far progredire il settore e nel rendere il loro lavoro accessibile alla comunità più ampia.

Domande frequenti#