Meituan YOLOv6#

Обзор#

Meituan YOLOv6, выпущенный в 2022 году, предлагает отличный баланс между скоростью и точностью, что делает его популярным выбором для приложений реального времени. Эта модель представляет несколько заметных улучшений в своей архитектуре и схеме обучения, включая реализацию модуля двунаправленной конкатенации (BiC), стратегию обучения с поддержкой анкеров (AAT) и улучшенный дизайн бэкбона и шейки для высокой точности на датасете COCO.

Обзор YOLOv6. Диаграмма архитектуры модели, показывающая переработанные компоненты сети и стратегии обучения, которые привели к значительному улучшению производительности. (а) Шейка YOLOv6 (показаны N и S). Примечание для M/L: RepBlocks заменен на CSPStackRep. (b) Структура модуля BiC. (c) Блок SimCSPSPPF. (источник).

Ключевые особенности#

• Модуль двунаправленной конкатенации (BiC): YOLOv6 внедряет модуль BiC в neck детектора, улучшая сигналы локализации и обеспечивая прирост производительности при практически незаметном снижении скорости.
• Стратегия обучения с поддержкой анкеров (AAT): Эта модель предлагает AAT, чтобы использовать преимущества как якорных, так и безякорных подходов без ущерба для эффективности инференса.
• Улучшенный дизайн backbone и neck: Благодаря расширению YOLOv6 ещё одним этапом в backbone и neck, эта модель на момент выхода показала высокие результаты на датасете COCO при вводе высокого разрешения.
• Стратегия самодистилляции: Реализована новая стратегия самодистилляции для повышения производительности меньших моделей YOLOv6, улучшающая вспомогательную регрессионную ветвь во время обучения и удаляющая её на этапе вывода, чтобы избежать заметного падения скорости.

Метрики производительности#

YOLOv6 предоставляет различные предобученные модели разного масштаба:

• 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: Современная точность в реальном времени.

YOLOv6 также предоставляет квантованные модели для различных точностей и модели, оптимизированные для мобильных платформ.

Примеры использования#

Этот пример содержит простые примеры обучения и инференса YOLOv6. Полную документацию по этим и другим режимам смотри на страницах Предсказание, Обучение, Валидация и Экспорт.

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 предлагает ряд моделей, каждая из которых оптимизирована для высокопроизводительного обнаружения объектов. Эти модели удовлетворяют различные вычислительные потребности и требования к точности, что делает их универсальными для широкого спектра приложений.

Эта таблица дает подробный обзор вариантов модели YOLOv6, подчеркивая их возможности в задачах обнаружения объектов и совместимость с различными рабочими режимами, такими как Инференс, Валидация, Обучение и Экспорт. Эта всесторонняя поддержка гарантирует, что пользователи смогут в полной мере использовать возможности моделей YOLOv6 в широком спектре сценариев обнаружения объектов.

Цитирование и благодарности#

Мы хотели бы 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 кодовую базу можно найти на GitHub. Мы ценим их усилия по продвижению этой области и обеспечению доступности их работы для широкого сообщества.

FAQ#