Meituan YOLOv6#

Visão geral#

Meituan YOLOv6, lançado em 2022, oferece um forte equilíbrio entre velocidade e precisão, tornando-o uma escolha popular para aplicações em tempo real. Este modelo introduz várias melhorias notáveis na sua arquitetura e esquema de treino, incluindo a implementação de um módulo de Concatenação Bidirecional (BiC), uma estratégia de treino auxiliada por âncoras (AAT) e um design aprimorado de backbone e neck para alta precisão no COCO dataset.

Visão geral do YOLOv6. Diagrama da arquitetura do modelo mostrando os componentes de rede redesignados e as estratégias de treino que levaram a melhorias significativas de desempenho. (a) O neck do YOLOv6 (N e S são mostrados). Nota para M/L, RepBlocks é substituído por CSPStackRep. (b) A estrutura de um módulo BiC. (c) Um bloco SimCSPSPPF. (source).

Principais recursos#

• Módulo de Concatenation Bi-direcional (BiC): O YOLOv6 introduz um módulo BiC no neck do detector, melhorando os sinais de localização e proporcionando ganhos de desempenho com degradação insignificante de velocidade.
• Estratégia de Treino Auxiliado por Âncoras (AAT): Este modelo propõe AAT para desfrutar dos benefícios dos paradigmas baseados em anchor-based e anchor-free sem comprometer a eficiência da inferência.
• Design Aprimorado de Backbone e Neck: Ao aprofundar o YOLOv6 para incluir outro estágio no backbone e no neck, este modelo alcançou um forte desempenho no conjunto de dados COCO em entrada de alta resolução quando foi lançado.
• Estratégia de Auto-destilação: Uma nova estratégia de auto-destilação é implementada para impulsionar o desempenho de modelos menores do YOLOv6, aprimorando o ramo de regressão auxiliar durante o treinamento e removendo-o na inferência para evitar uma queda acentuada na velocidade.

Métricas de desempenho#

O YOLOv6 fornece vários modelos pré-treinados com diferentes escalas:

• YOLOv6-N: 37,5% de AP no COCO val2017 a 1187 FPS com GPU NVIDIA T4.
• YOLOv6-S: 45,0% de AP a 484 FPS.
• YOLOv6-M: 50,0% de AP a 226 FPS.
• YOLOv6-L: 52,8% de AP a 116 FPS.
• YOLOv6-L6: Precisão de última geração em tempo real.

O YOLOv6 também fornece modelos quantizados para diferentes precisions e modelos otimizados para plataformas móveis.

Exemplos de uso#

Este exemplo fornece exemplos simples de treino e inferência do YOLOv6. Para a documentação completa sobre estes e outros modes, consulta as páginas de documentação de 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")

Tarefas e modos suportados#

A série YOLOv6 oferece uma gama de modelos, cada um otimizado para Object Detection de alto desempenho. Estes modelos atendem a diferentes necessidades computacionais e requisitos de accuracy, tornando-os versáteis para uma ampla variedade de aplicações.

Esta tabela fornece uma visão geral detalhada das variantes do modelo YOLOv6, destacando as suas capacidades em tarefas de object detection e a sua compatibilidade com vários modos operacionais, tais como Inference, Validation, Training e Export. Este suporte abrangente garante que os utilizadores possam tirar total partido das capacidades dos modelos YOLOv6 numa vasta gama de cenários de deteção de objetos.

Citações e Agradecimentos#

Gostaríamos de agradecer aos autores pelas suas contribuições significativas no campo da detecção de objetos em tempo 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}
}

O artigo original do YOLOv6 pode ser encontrado no arXiv. Os autores tornaram o seu trabalho publicamente disponível, e a base de código pode ser acedida no GitHub. Agradecemos os seus esforços para fazer avançar o campo e tornar o seu trabalho acessível à comunidade em geral.

FAQ#