Meituan YOLOv6#

Обзор#

Meituan YOLOv6, выпущенная в 2022 году, обеспечивает оптимальный баланс между скоростью и точностью, что делает её популярным выбором для приложений реального времени. Эта модель включает несколько важных улучшений архитектуры и схемы обучения, включая реализацию модуля двунаправленной конкатенации (BiC), стратегии обучения с поддержкой якорей (AAT), а также улучшенную конструкцию основной сети и шеи для высокой точности на наборе данных COCO.

Обзор YOLOv6. Диаграмма архитектуры модели, показывающая переработанные компоненты сети и стратегии обучения, которые привели к значительному повышению производительности. (a) Шея YOLOv6 (показаны N и S). Для M/L RepBlocks заменены на CSPStackRep. (b) Структура модуля BiC. (c) Блок SimCSPSPPF. (источник).

Ключевые особенности#

• Модуль двунаправленной конкатенации (BiC): YOLOv6 добавляет модуль BiC в шею детектора, усиливая сигналы локализации и повышая производительность при незначительном снижении скорости.
• Стратегия обучения с поддержкой якорей (AAT): Эта модель предлагает AAT, чтобы использовать преимущества обоих подходов — с якорями и без якорей — без снижения эффективности инференса.
• Улучшенная конструкция основной сети и шеи: За счёт добавления ещё одного этапа в основную сеть и шею YOLOv6 эта модель после выпуска достигла высокой производительности на наборе данных COCO при использовании входных данных высокого разрешения.
• Стратегия самодистилляции: Для повышения производительности небольших моделей YOLOv6 реализована новая стратегия самодистилляции, которая улучшает вспомогательную ветвь регрессии во время обучения и удаляет её при инференсе, чтобы избежать заметного снижения скорости.

Метрики производительности#

YOLOv6 предоставляет различные предварительно обученные модели разных масштабов:

• YOLOv6-N: 37.5% AP на COCO val2017 при 1187 FPS с GPU NVIDIA T4.
• YOLOv6-S: 45.0% AP при 484 FPS.
• YOLOv6-M: 50.0% AP при 226 FPS.
• YOLOv6-L: 52.8% AP при 116 FPS.
• YOLOv6-L6: передовая точность в режиме реального времени.

YOLOv6 также предоставляет квантованные модели с разной точностью и модели, оптимизированные для мобильных платформ.

Примеры использования#

В этом примере приведены простые примеры обучения и инференса YOLOv6. Полную документацию по этим и другим режимам смотри на страницах документации Predict, Train, Val и 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")

Поддерживаемые задачи и режимы#

Серия YOLOv6 включает ряд моделей, каждая из которых оптимизирована для высокопроизводительного обнаружения объектов. Эти модели подходят для различных вычислительных возможностей и требований к точности, что делает их универсальными для широкого спектра приложений.

В этой таблице подробно представлены варианты моделей YOLOv6, включая их возможности в задачах обнаружения объектов и совместимость с различными рабочими режимами, такими как инференс, валидация, обучение и экспорт. Эта широкая поддержка позволяет в полной мере использовать возможности моделей YOLOv6 в самых разных сценариях обнаружения объектов.

Цитирование и благодарности#

Мы хотим выразить признательность авторам за их значительный вклад в область обнаружения объектов в реальном времени:

@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}
}

Оригинальную статью о YOLOv6 можно найти на arXiv. Авторы сделали свою работу общедоступной, а исходный код можно найти на GitHub. Мы высоко ценим их усилия по развитию этой области и предоставлению своей работы широкому сообществу.

Часто задаваемые вопросы#