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 보조 훈련(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, COCO val2017에서 1187 FPS, NVIDIA Tesla T4 GPU 사용.
• 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.

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

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.

댓글