메이투안 YOLOv6
개요
메이투안 YOLOv6는 속도와 정확도 사이의 놀라운 균형을 제공하는 최첨단 물체 감지기로, 실시간 애플리케이션에 널리 사용되고 있습니다. 이 모델은 양방향 연결(BiC) 모듈 구현, 앵커 지원 훈련(AAT) 전략, COCO 데이터 세트의 최첨단 정확도를 위한 향상된 백본 및 넥 설계 등 아키텍처와 훈련 방식에 몇 가지 주목할 만한 개선 사항을 도입했습니다.
YOLOv6 개요. 상당한 성능 향상을 가져온 재설계된 네트워크 구성 요소와 트레이닝 전략을 보여주는 모델 아키텍처 다이어그램. (a) YOLOv6의 목(N과 S가 표시됨). M/L의 경우, RepBlocks는 CSPStackRep으로 대체되었습니다. (b) BiC 모듈의 구조. (c) SimCSPSPPF 블록. (출처).
주요 기능
- 양방향 연결(BiC) 모듈: YOLOv6는 탐지기의 목 부분에 BiC 모듈을 도입하여 위치추적 신호를 향상시키고 속도 저하를 최소화하면서 성능 향상을 제공합니다.
- 앵커 지원 학습(AAT) 전략: 이 모델은 추론 효율을 저하시키지 않으면서 앵커 기반 및 앵커 프리 패러다임의 이점을 모두 누릴 수 있는 AAT를 제안합니다.
- 향상된 백본 및 넥 설계: 이 모델은 백본과 넥에 또 다른 단계를 포함하도록 YOLOv6를 심화함으로써 고해상도 입력에서 COCO 데이터 세트에서 최첨단 성능을 달성합니다.
- 자가 증류 전략: 새로운 자가 증류 전략이 구현되어 더 작은 YOLOv6 모델의 성능을 향상시켜 훈련 중 보조 회귀 분기를 향상시키고 추론 시 이를 제거하여 현저한 속도 저하를 방지합니다.
성능 지표
YOLOv6는 다양한 스케일로 사전 학습된 다양한 모델을 제공합니다:
- YOLOv6-N: 37.5% AP on COCO val2017, 1187 FPS, NVIDIA T4 GPU.
- YOLOv6-S: 484 FPS에서 45.0% AP.
- YOLOv6-M: 226 FPS에서 50.0% AP.
- YOLOv6-L: 116 FPS에서 52.8% AP.
- YOLOv6-L6: 최첨단 실시간 정확도.
또한 YOLOv6는 다양한 정밀도를 위한 정량화된 모델과 모바일 플랫폼에 최적화된 모델을 제공합니다.
사용 예
이 예는 간단한 YOLOv6 훈련 및 추론 예제를 제공합니다. 이러한 모드 및 기타 모드에 대한 전체 문서는 예측, 학습, Val 및 내보내기 문서 페이지를 참조하세요.
예
YOLOv6 *.yaml 파일을 YOLO() 클래스를 사용하여 Python 에서 해당 모델을 빌드합니다:
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")
CLI 명령을 사용하여 모델을 직접 실행할 수 있습니다:
# 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
지원되는 작업 및 모드
YOLOv6 시리즈는 고성능 객체 감지에 최적화된 다양한 모델을 제공합니다. 이러한 모델은 다양한 계산 요구 사항과 정확도 요구 사항을 충족하므로 다양한 애플리케이션에 다용도로 사용할 수 있습니다.
이 표에서는 객체 감지 작업에서의 기능과 추론, 검증, 훈련, 내보내기 등 다양한 운영 모드와의 호환성을 강조하는 YOLOv6 모델 변형에 대한 자세한 개요를 제공합니다. 이러한 포괄적인 지원을 통해 사용자는 광범위한 객체 감지 시나리오에서 YOLOv6 모델의 기능을 최대한 활용할 수 있습니다.
인용 및 감사
실시간 객체 감지 분야에서 중요한 공헌을 한 저자들에게 감사의 말씀을 전합니다:
@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}
}
YOLOv6 논문 원본은 arXiv에서 확인할 수 있습니다. 저자들은 자신의 작업을 공개했으며, 코드베이스는 GitHub에서 액세스할 수 있습니다. 이 분야를 발전시키고 더 많은 커뮤니티가 자신의 연구에 접근할 수 있도록 한 저자들의 노력에 감사드립니다.
자주 묻는 질문
메이투안 YOLOv6는 무엇이며 어떤 점이 특별한가요?
Meituan YOLOv6는 속도와 정확성의 균형을 맞춘 최첨단 물체 감지기로, 실시간 애플리케이션에 이상적입니다. 이 제품은 양방향 연결(BiC) 모듈과 앵커 보조 훈련(AAT) 전략과 같은 주목할 만한 아키텍처 개선 사항을 특징으로 합니다. 이러한 혁신은 속도 저하를 최소화하면서 상당한 성능 향상을 제공하므로 YOLOv6는 물체 감지 작업을 위한 경쟁력 있는 선택이 될 것입니다.
YOLOv6의 양방향 연결(BiC) 모듈은 어떻게 성능을 개선하나요?
YOLOv6의 양방향 연결(BiC) 모듈은 디텍터 목의 로컬라이제이션 신호를 향상시켜 속도에는 거의 영향을 미치지 않으면서 성능을 개선합니다. 이 모듈은 서로 다른 특징 맵을 효과적으로 결합하여 물체를 정확하게 감지하는 모델의 능력을 향상시킵니다. YOLOv6의 기능에 대한 자세한 내용은 주요 기능 섹션을 참조하세요.
Ultralytics 을 사용하여 YOLOv6 모델을 훈련하려면 어떻게 해야 하나요?
간단한 Python 또는 CLI 명령과 함께 Ultralytics 을 사용하여 YOLOv6 모델을 학습시킬 수 있습니다. 예를 들어
예
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)
yolo train model=yolov6n.yaml data=coco8.yaml epochs=100 imgsz=640
자세한 내용은 기차 페이지를 참조하세요.
YOLOv6의 다양한 버전과 성능 지표는 무엇인가요?
YOLOv6는 각기 다른 성능 요구 사항에 최적화된 여러 버전을 제공합니다:
- YOLOv6-N: 1187 FPS에서 37.5% AP
- YOLOv6-S: 484 FPS에서 45.0% AP
- YOLOv6-M: 226 FPS에서 50.0% AP
- YOLOv6-L: 116 FPS에서 52.8% AP
- YOLOv6-L6: 실시간 시나리오에서의 최첨단 정확도
이러한 모델은 NVIDIA T4 GPU 을 사용하여 COCO 데이터 세트에서 평가됩니다. 성능 지표에 대한 자세한 내용은 성능 지표 섹션을 참조하세요.
앵커 지원 교육(AAT) 전략은 YOLOv6에 어떤 이점이 있나요?
YOLOv6의 앵커 지원 훈련(AAT)은 앵커 기반 접근 방식과 앵커가 없는 접근 방식의 요소를 결합하여 추론 효율을 저하시키지 않으면서 모델의 감지 기능을 향상시킵니다. 이 전략은 훈련 중에 앵커를 활용하여 바운딩 박스 예측을 개선함으로써 다양한 물체 감지 작업에서 YOLOv6를 효과적으로 활용할 수 있도록 합니다.
Ultralytics 에서 어떤 운영 모드가 YOLOv6 모델에서 지원되나요?
YOLOv6는 추론, 검증, 훈련, 내보내기 등 다양한 운영 모드를 지원합니다. 이러한 유연성 덕분에 사용자는 다양한 시나리오에서 모델의 기능을 최대한 활용할 수 있습니다. 각 모드에 대한 자세한 개요는 지원되는 작업 및 모드 섹션을 참조하세요.
