Meituan YOLOv6#

Visão geral#

O Meituan YOLOv6, lançado em 2022, oferece um equilíbrio sólido entre velocidade e precisão, tornando-se uma escolha popular para aplicações em tempo real. Este modelo introduz várias melhorias notáveis na sua arquitetura e no esquema de treinamento, incluindo a implementação de um módulo de Concatenação bidirecional (BiC), uma estratégia de treinamento assistido por âncoras (AAT) e um design aprimorado do backbone e do neck para obter alta precisão no conjunto de dados COCO.

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

Principais funcionalidades#

• Módulo de Concatenação bidirecional (BiC): o YOLOv6 introduz um módulo BiC no neck do detector, aprimorando os sinais de localização e proporcionando ganhos de desempenho com degradação insignificante da velocidade.
• Estratégia de treinamento assistido por âncoras (AAT): este modelo propõe o AAT para aproveitar os benefícios dos paradigmas baseado em âncoras e sem âncoras sem comprometer a eficiência da inferência.
• Design aprimorado do backbone e do neck: ao aprofundar o YOLOv6 para incluir outra etapa no backbone e no neck, este modelo alcançou um desempenho sólido no conjunto de dados COCO com entrada de alta resolução quando foi lançado.
• Estratégia de autodestilação: uma nova estratégia de autodestilação é implementada para aumentar o desempenho dos modelos menores do YOLOv6, aprimorando o ramo auxiliar de regressão durante o treinamento e removendo-o na inferência para evitar uma queda acentuada de velocidade.

Métricas de desempenho#

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

• YOLOv6-N: 37,5% de AP no COCO val2017 a 1187 FPS com uma 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 oferece modelos quantizados para diferentes precisões e modelos otimizados para plataformas móveis.

Exemplos de utilização#

Este exemplo fornece exemplos simples de treinamento e inferência do YOLOv6. Para obter a documentação completa sobre estes e outros modos, consulte as páginas de documentação de Predição, Treinamento, Validação e Exportação.

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 variedade de modelos, cada um otimizado para Detecção de objetos de alto desempenho. Esses modelos atendem a diferentes necessidades computacionais e requisitos de precisão, tornando-os versáteis para uma ampla variedade de aplicações.

Esta tabela fornece uma visão geral detalhada das variantes do modelo YOLOv6, destacando suas capacidades em tarefas de detecção de objetos e sua compatibilidade com vários modos operacionais, como Inferência, Validação, Treinamento e Exportação. Esse suporte abrangente garante que você possa aproveitar totalmente os recursos dos modelos YOLOv6 em uma ampla variedade de cenários de detecção de objetos.

Citações e agradecimentos#

Gostaríamos de agradecer aos autores pelas suas contribuições significativas para o 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 disponibilizaram publicamente o seu trabalho, e a base de código pode ser acessada no GitHub. Agradecemos os seus esforços para avançar o campo e tornar o seu trabalho acessível à comunidade em geral.

Perguntas frequentes#