Начать

Meituan YOLOv6

Обзор#

Meituan YOLOv6, выпущенная в 2022 году, — это модель обнаружения объектов, которая обеспечивает хороший баланс скорости и точности и поэтому стала популярным выбором для приложений реального времени. В модели реализовано несколько важных улучшений архитектуры и схемы обучения, включая модуль двунаправленной конкатенации (BiC), стратегию обучения с поддержкой якорей (AAT), а также усовершенствованную конструкцию базовой сети и шейной части для высокой точности на датасете COCO.

Модель YOLOv6 для обнаружения объектов в реальном времени от Meituan Схема архитектуры модели YOLOv6 Обзор YOLOv6. Схема архитектуры модели показывает переработанные компоненты сети и стратегии обучения, обеспечившие значительное повышение производительности. (a) Шея YOLOv6 (показаны N и S). Для M/L вместо RepBlocks используются CSPStackRep. (b) Структура модуля BiC. (c) Блок SimCSPSPPF. (источник.)

Основные 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): AAT сочетает преимущества подходов с якорями и без якорей, не снижая эффективность инференса.
  • Усовершенствованная основная сеть и шея: Благодаря добавлению ещё одного этапа в основную сеть и шею YOLOv6 при выпуске обеспечивала высокую производительность на наборе данных COCO при входных изображениях высокого разрешения.
  • Стратегия самодистилляции: Для повышения производительности небольших моделей YOLOv6 реализована новая стратегия самодистилляции: во время обучения она усиливает вспомогательную ветвь регрессии, а при инференсе удаляет её, чтобы избежать заметного снижения скорости.

Метрики производительности#

YOLOv6 предлагает несколько предобученных моделей разных размеров:

  • YOLOv6-N: 37,5% AP на COCO val2017 при 1187 FPS на 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.

В YOLOv6 также доступны квантованные модели с разной числовой точностью и модели, оптимизированные для мобильных платформ.

Примеры использования#

В этом примере показаны простые примеры обучения и инференса YOLOv6.

Пример

Файлы YOLOv6 *.yaml можно передать классу YOLO(), чтобы создать соответствующую модель в Python:

from ultralytics import YOLO

# Создай модель YOLOv6n с нуля
model = YOLO("yolov6n.yaml")

# Показать информацию о модели (необязательно)
model.info()

# Обучить модель на демонстрационном наборе данных COCO8 в течение 100 эпох
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Выполни инференс с моделью YOLOv6n на изображении 'bus.jpg'
results = model("path/to/bus.jpg")

Поддерживаемые задачи и режимы#

В серии YOLOv6 представлены модели для обнаружения объектов, рассчитанные на разные вычислительные бюджеты и требования к точности.

МодельИмена файловЗадачиОбучениеВалидацияИнференсЭкспорт
YOLOv6-Nyolov6n.yamlОбнаружение объектов✅✅✅✅
YOLOv6-Syolov6s.yamlОбнаружение объектов✅✅✅✅
YOLOv6-Myolov6m.yamlОбнаружение объектов✅✅✅✅
YOLOv6-Lyolov6l.yamlОбнаружение объектов✅✅✅✅
YOLOv6-Xyolov6x.yamlОбнаружение объектов✅✅✅✅

В таблице приведены варианты моделей YOLOv6 и поддерживаемые ими режимы обучения, валидации, инференса и экспорта. Ultralytics предоставляет только YAML-файлы моделей YOLOv6, поэтому модели обучаются с нуля.

Цитирование и благодарности#

Мы хотели бы отметить значительный вклад авторов в область обнаружения объектов в реальном времени:

Цитирование
@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 открыли свою работу, а исходный код доступен на GitHub. Мы ценим их усилия по развитию этой области и предоставлению своей работы широкой аудитории.

Часто задаваемые вопросы#

  • Выпущенная в 2022 году Meituan YOLOv6 — это детектор объектов, который сочетает скорость и точность и предназначен для задач реального времени. В ней реализованы заметные улучшения архитектуры, такие как модуль двунаправленной конкатенации (BiC) и стратегия обучения с поддержкой якорей (AAT). Благодаря этим инновациям производительность существенно повышается при минимальном снижении скорости, что делает YOLOv6 конкурентоспособным решением для обнаружения объектов.

  • Модуль двунаправленной конкатенации (BiC) в YOLOv6 усиливает сигналы локализации в шее детектора и повышает производительность, почти не влияя на скорость. Этот модуль эффективно объединяет различные карты признаков, повышая способность модели точно обнаруживать объекты. Подробнее о функциях YOLOv6 см. в разделе Ключевые особенности.

  • Ты можешь обучить модель YOLOv6 с помощью Ultralytics, используя простые команды Python или CLI. Например:

    Пример
    from ultralytics import YOLO
    
    # Создай модель YOLOv6n с нуля
    model = YOLO("yolov6n.yaml")
    
    # Обучить модель на демонстрационном наборе данных COCO8 в течение 100 эпох
    results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

    Подробнее см. на странице Обучение.

  • YOLOv6 предлагает несколько версий, каждая из которых оптимизирована под разные требования к производительности:

    • YOLOv6-N: 37,5% AP при 1187 FPS
    • 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 сценариях реального времени

    Эти модели оцениваются на наборе данных COCO с использованием GPU NVIDIA T4. Подробнее о метриках производительности см. в разделе Метрики производительности.

  • Стратегия обучения с поддержкой якорей (AAT) в YOLOv6 объединяет элементы якорного и безъякорного подходов, повышая возможности обнаружения модели без ущерба для эффективности инференса. При обучении стратегия использует якоря, чтобы улучшить предсказания ограничивающих рамок, благодаря чему YOLOv6 эффективно справляется с разнообразными задачами обнаружения объектов.

  • YOLOv6 поддерживает режимы обучения, валидации, инференса и экспорта.

Комментарии14

Задай вопрос, поделись результатами или помоги кому-нибудь.

  1. AkaashSamsonGitHub

    Hey, So I have actually trained my YOLOv6 model with the original repo, now I have a .pt file. using this file is there any way of getting my model in ultralytics format. mainly I want to run the ultralytics validation on my model as the original repo eval.py doesn't provide sufficient metrics.

    1. Glenn JocherUltralytics

      Direct conversion of Meituan YOLOv6 .pt checkpoints to Ultralytics format isn’t supported; to use Ultralytics metrics, either train/fine-tune the matching yolov6*.yaml in Ultralytics and run validation, or export your Meituan model’s detections to COCO JSON and compute P/R via the COCO API; the metrics Ultralytics reports are outlined in the Val mode docs at Ultralytics validation.

  2. tino926GitHub(изменено)

    I want to replicate your training accuracy of the YOLOv6-N model. Is this the correct command: yolo train model=yolov6n.yaml data=coco.yaml epochs=400 optimizer=SGD cos_lr=True lr0=0.02? According to YOLOv6's repo https://github.com/meituan/YOLOv6/blob/main/docs/Train_coco_data.md, they have to use anchor-aid and distilling techniques to achieve this accuracy. But I can't find the corresponding parameters in ultralytics'.

    1. Glenn JocherUltralytics

      @tino926 to achieve the training accuracy of the YOLOv6-N model as described in the YOLOv6 repository, you would indeed use the anchor-aided training (AAT) and self-distillation strategies, which are not explicitly parameterized in the Ultralytics YOLO interface. Ensure you are using the latest version and check the YOLOv6 documentation for any updates on incorporating these strategies. For precise replication, consider following the original YOLOv6 GitHub instructions alongside Ultralytics for any additional settings or configurations.

    2. tino926GitHub

      @glenn-jocher, thanks for your response.

      I apologize if I misunderstood your explanation, as I am not a native English speaker. Could you please clarify if the phrase "which are not explicitly parameterized in the Ultralytics YOLO interface" means that AAT and self-distillation cannot currently be implemented solely through the Ultralytics YOLO interface? Therefore I should manually add anchor branches and implement distillation with additional code?

    3. Glenn JocherUltralytics

      Thank you for your question. Yes, that's correct. The current Ultralytics YOLO interface does not explicitly support anchor-aided training (AAT) and self-distillation, so you would need to implement these strategies manually by modifying the code to include anchor branches and self-distillation techniques. If you need further guidance on implementing these, referring to the original YOLOv6 repository might be helpful.

    1. Paula DerrengerUltralytics(изменено)

      @kadirnar hi there!

      Yes, the Ultralytics library does support YOLOv6 models. It seems like you might be encountering a ModuleNotFoundError because the YOLOv6 model isn't being recognized. Let's ensure you're using the latest versions of torch and ultralytics. Please update your packages and try again:

      pip install --upgrade torch ultralytics

      Here's a quick example to get you started with YOLOv6 using the Ultralytics library:

      Python
      from ultralytics import YOLO
      
      # Load a YOLOv6n model
      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)
      
      # Run inference with the trained model on an image
      results = model("path/to/bus.jpg")
      CLI
      # Train YOLOv6n model
      yolo train model=yolov6n.yaml data=coco8.yaml epochs=100 imgsz=640
      
      # Run inference with your trained weights
      yolo predict model=path/to/best.pt source=path/to/bus.jpg

      If you continue to face issues, please provide a minimum reproducible example so we can better assist you. You can refer to our guide on creating a minimum reproducible example here: Minimum Reproducible Example.

      Feel free to reach out if you have any more questions! 😊

  3. akhilesh99sharmaGitHub

    There are AP and AR values for results but not precision and recall. I need to compare precision and recall values for different YOLO versions (v5,v6,v7 etc.) on my custom dataset. How to get precision and recall values for YOLOv6 evaluation?

    1. Paula DerrengerUltralytics(изменено)

      Hey there! 👋

      You don't need to compute precision and recall by hand: validation already reports them. After model.val(), the results object holds them directly:

      from ultralytics import YOLO
      
      # Load your trained model
      model = YOLO("path/to/your/custom-yolov6-model.pt")
      
      # Run validation
      results = model.val(data="path/to/your/dataset.yaml")
      
      print(f"Precision: {results.box.mp}, Recall: {results.box.mr}")  # mean over all classes
      print(results.box.p, results.box.r)  # per-class precision and recall

      Hope this helps, and happy comparing across YOLO versions! 🚀

    2. Paula DerrengerUltralytics(изменено)

      Hey there! 😊

      Precision and recall are reported by Ultralytics validation, so you don't need to count TP/FP/FN yourself. After results = model.val(data="path/to/dataset.yaml"), use results.box.mp (mean precision), results.box.mr (mean recall), and results.box.p / results.box.r for per-class values.

      If you need them computed from raw counts, precision = TP / (TP + FP) and recall = TP / (TP + FN), where the counts come from matching predictions to ground-truth boxes at an IoU threshold.

      Hope this helps! Let me know if there's anything else I can do for you. Happy modeling! 🚀

    3. akhilesh99sharmaGitHub

      Hello, I tried doing it but was not able to do so. I get the predictions json file in the val folder but don't know how to compare it with the labels to get TP, FP etc. Can you please help me with that? I need to compare results of YOLOv6 with v8, v9 but I am not getting precision and recall values in v6 , I get average precision and average recall

    4. Paula DerrengerUltralytics(изменено)

      @akhilesh99sharma hey there! 🌞

      You can get precision and recall directly from validation without processing the predictions JSON yourself. After results = model.val(data="path/to/dataset.yaml"), use results.box.mp (mean precision), results.box.mr (mean recall), and results.box.p / results.box.r for per-class values.

      If you still need TP, FP and FN counts from the saved predictions JSON, you will have to match predicted boxes to ground-truth boxes per image using an IoU threshold. The confusion matrix saved in the run folder (confusion_matrix.png, or model.val(plots=True)) also shows these counts per class.

      For comparing across YOLO versions, run each model with consistent settings on your custom dataset and read the same metrics from each.

      I hope this simplifies the process for you! 🚀 Let me know if you need further assistance.