Meituan YOLOv6

Обзор

Meituan YOLOv6, выпущенный в 2022 году, обеспечивает отличный баланс между скоростью и точностью, что делает его популярным выбором для приложений реального времени. Эта модель представляет несколько примечательных улучшений в своей архитектуре и схеме обучения, включая реализацию модуля двунаправленной конкатенации (Bi-directional Concatenation, BiC), стратегию обучения с поддержкой якорей (anchor-aided training, AAT), а также улучшенный дизайн backbone и neck для высокой точности на наборе данных COCO.

Обзор YOLOv6. Диаграмма архитектуры модели, демонстрирующая переработанные компоненты сети и стратегии обучения, которые привели к значительному улучшению производительности. (a) Neck модели YOLOv6 (показаны N и S). Обрати внимание: для M/L блоки RepBlocks заменены на CSPStackRep. (b) Структура модуля BiC. (c) Блок SimCSPSPPF. (источник).

Основные характеристики

• Модуль двунаправленной конкатенации (BiC): YOLOv6 представляет модуль BiC в neck детектора, улучшая сигналы локализации и обеспечивая прирост производительности при незначительном снижении скорости.
• Стратегия обучения с поддержкой якорей (AAT): В этой модели предложена стратегия AAT, чтобы воспользоваться преимуществами как anchor-based, так и anchor-free парадигм без ущерба для эффективности вывода.
• Улучшенный дизайн backbone и neck: За счет углубления YOLOv6 и добавления еще одного этапа в backbone и neck, модель на момент выпуска достигла высоких показателей производительности на наборе данных COCO при входных данных высокого разрешения.
• Стратегия самодистилляции: Реализована новая стратегия самодистилляции для повышения производительности более компактных моделей YOLOv6, улучшающая вспомогательную ветвь регрессии во время обучения и удаляющая ее 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 с использованием 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 реальном времени.

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

Примеры использования

Этот пример демонстрирует базовое обучение и вывод с помощью YOLOv6. Полную документацию по этим и другим режимам смотри на страницах 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 предлагает ряд моделей, каждая из которых оптимизирована для высокопроизводительного Object Detection. Эти модели отвечают различным вычислительным потребностям и требованиям к accuracy, что делает их универсальными для широкого спектра приложений.

В этой таблице представлен подробный обзор вариантов модели YOLOv6, подчеркивающий их возможности в задачах object detection и совместимость с различными рабочими режимами, такими как Inference, Validation, Training и Export. Эта всесторонняя поддержка гарантирует, что ты сможешь в полной мере использовать возможности моделей YOLOv6 в широком спектре сценариев детекции объектов.

Цитирование и благодарности

Мы хотим выразить признательность авторам за их значительный вклад в область детекции 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 ценим их усилия по развитию этой области и обеспечению доступа к их работе для более широкого сообщества.

Часто задаваемые вопросы (FAQ)

Что такое Meituan YOLOv6 и в чем его уникальность?

Meituan YOLOv6, выпущенный в 2022 году, представляет собой детектор объектов, балансирующий между скоростью и точностью, разработанный для приложений реального времени. Он включает примечательные архитектурные улучшения, такие как модуль двунаправленной конкатенации (BiC) и стратегия обучения с поддержкой якорей (AAT). Эти инновации обеспечивают значительный прирост производительности при минимальном снижении скорости, делая YOLOv6 конкурентоспособным выбором для задач детекции объектов.

Как модуль двунаправленной конкатенации (BiC) в YOLOv6 улучшает производительность?

Модуль двунаправленной конкатенации (BiC) в YOLOv6 улучшает сигналы локализации в neck детектора, обеспечивая улучшение производительности при незначительном влиянии на скорость. Этот модуль эффективно объединяет различные feature maps, увеличивая способность модели точно обнаруживать объекты. Для получения подробной информации о функциях YOLOv6 обратись к разделу Key Features.

Как я могу обучить модель YOLOv6 с помощью Ultralytics?

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

from ultralytics import YOLO

# Build a YOLOv6n model from scratch
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)

Для получения дополнительной информации посети страницу Train.

Какие существуют версии YOLOv6 и каковы их показатели производительности?

YOLOv6 предлагает несколько версий, каждая из которых оптимизирована под различные 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. Больше информации о показателях производительности можно найти в разделе Performance Metrics.

Как стратегия обучения с поддержкой якорей (AAT) помогает YOLOv6?

Обучение с поддержкой якорей (AAT) в YOLOv6 объединяет элементы anchor-based и anchor-free подходов, улучшая возможности детекции модели без ущерба для эффективности вывода. Эта стратегия использует якоря во время обучения для улучшения предсказаний bounding box, делая YOLOv6 эффективным в разнообразных задачах детекции объектов.

Какие рабочие режимы поддерживаются моделями YOLOv6 в Ultralytics?

YOLOv6 поддерживает различные рабочие режимы, включая Inference, Validation, Training и Export. Эта гибкость позволяет тебе в полной мере использовать возможности модели в разных сценариях. Изучи раздел Supported Tasks and Modes для получения подробного обзора каждого режима.