Meituan YOLOv6#

Panoramica#

Meituan YOLOv6, rilasciato nel 2022, offre un forte equilibrio tra velocità e precisione, rendendolo una scelta popolare per le applicazioni in tempo reale. Questo modello introduce diversi notevoli miglioramenti nella sua architettura e nel suo schema di training, inclusa l'implementazione di un modulo di concatenazione bidirezionale (BiC), una strategia di training assistita da ancore (AAT) e un design migliorato del backbone e del neck per un'elevata precisione sul dataset COCO.

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

Caratteristiche principali#

• Modulo di Concatenazione Bi-direzionale (BiC): YOLOv6 introduce un modulo BiC nel neck del rilevatore, migliorando i segnali di localizzazione e offrendo guadagni di prestazioni con un degrado della velocità trascurabile.
• Strategia di training assistita da ancore (AAT): Questo modello propone AAT per godere dei benefici sia dei paradigmi basati su ancore che privi di ancore senza compromettere l'efficienza dell'inferenza.
• Design Migliorato del Backbone e del Neck: Approfondendo YOLOv6 per includere un altro stadio nel backbone e nel neck, questo modello ha ottenuto prestazioni elevate sul dataset COCO a input ad alta risoluzione al momento del rilascio.
• Strategia di Auto-Distillazione: Viene implementata una nuova strategia di auto-distillazione per aumentare le prestazioni dei modelli più piccoli di YOLOv6, migliorando il ramo di regressione ausiliario durante l'addestramento e rimuovendolo durante l'inferenza per evitare un marcato calo di velocità.

Metriche di performance#

YOLOv6 fornisce vari modelli preaddestrati con diverse scale:

• YOLOv6-N: 37,5% AP su 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: Precisione allo stato dell'arte in tempo reale.

YOLOv6 fornisce anche modelli quantizzati per diverse precisioni e modelli ottimizzati per piattaforme mobili.

Esempi di Utilizzo#

Questo esempio fornisce semplici esempi di training e inferenza per YOLOv6. Per la documentazione completa su queste e altre modalità, consulta le pagine di documentazione Predict, Train, Val e 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")

Compiti e modalità supportati#

La serie YOLOv6 offre una gamma di modelli, ciascuno ottimizzato per il rilevamento di oggetti ad alte performance. Questi modelli rispondono a diverse esigenze di calcolo e requisiti di precisione, rendendoli versatili per un'ampia gamma di applicazioni.

Questa tabella fornisce una panoramica dettagliata delle varianti del modello YOLOv6, evidenziando le loro capacità nelle attività di rilevamento di oggetti e la loro compatibilità con varie modalità operative come Inference, Validation, Training e Export. Questo supporto completo assicura che tu possa sfruttare appieno le capacità dei modelli YOLOv6 in una vasta gamma di scenari di rilevamento di oggetti.

Citazioni e riconoscimenti#

Vorremmo ringraziare gli autori per i loro significativi contributi nel campo del rilevamento 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}
}

Il paper originale di YOLOv6 può essere trovato su arXiv. Gli autori hanno reso il loro lavoro pubblicamente disponibile e la codebase è accessibile su GitHub. Apprezziamo i loro sforzi nel far progredire il campo e nel rendere il loro lavoro accessibile alla comunità più ampia.

FAQ#