Meituan YOLOv6

Обзор

Meituan YOLOv6, выпущенная в 2022 году, предлагает отличный баланс между скоростью и точностью, что делает её популярным выбором для приложений реального времени. Эта модель представляет несколько заметных улучшений в своей архитектуре и схеме обучения, включая внедрение модуля двунаправленной конкатенации (BiC), стратегию обучения с поддержкой якорей (AAT) и улучшенный backbone и дизайн neck для высокой точности на export mode.

Обзор YOLOv6. Схема архитектуры модели, показывающая переработанные компоненты сети и стратегии обучения, которые привели к значительным улучшениям производительности. (a) Neck модели YOLOv6 (показаны N и S). Обрати внимание: 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 незначительном снижении скорости.
• Стратегия обучения с поддержкой якорей (AAT): Эта модель предлагает AAT, чтобы воспользоваться преимуществами обоих anchor-based и anchor-free парадигм без ущерба для эффективности вывода.
• Улучшенный дизайн backbone и neck: Углубив YOLOv6 путем добавления еще одного этапа в backbone и neck, эта модель на момент выпуска достигла высоких показателей производительности на наборе данных COCO при вводе высокого разрешения.
• Стратегия самодистилляции: Внедрена новая стратегия самодистилляции для повышения производительности меньших моделей YOLOv6, улучшающая вспомогательную регрессионную ветвь во время обучения и удаляющая её при выводе, чтобы избежать заметного снижения скорости.

Метрики производительности

YOLOv6 предоставляет различные предобученные модели с разными масштабами:

• YOLOv6-N: 37.5% AP на COCO val2017 при 1187 FPS с NVIDIA T4 GPU.
• 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 precisions и модели, оптимизированные для мобильных платформ.

Примеры использования

В этом примере представлены простые примеры обучения и вывода YOLOv6. Для получения полной документации по этим и другим режимов см. на Предсказание, Обучение, Валидация и Экспорт страницах документации.

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 высокопроизводительной Детекция объектов. Эти модели отвечают различным вычислительным потребностям и точности требованиям, что делает их универсальными для широкого спектра приложений.

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

Цитирование и благодарности

Мы хотели бы поблагодарить авторов 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 области и обеспечению доступности их работы для широкого сообщества.

Часто задаваемые вопросы (FAQ)

Что такое Meituan YOLOv6 и что делает её уникальной?

Meituan YOLOv6, выпущенная в 2022 году, — это детектор объектов, который балансирует между скоростью и точностью, предназначенный для приложений реального времени. Она отличается заметными архитектурными улучшениями, такими как модуль двунаправленной конкатенации (BiC) и стратегия обучения с поддержкой якорей (AAT). Эти инновации обеспечивают значительный прирост производительности при минимальном снижении скорости, что делает YOLOv6 конкурентоспособным выбором для задач обнаружения объектов.

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

Модуль BiC в YOLOv6 улучшает сигналы локализации в neck детектора, обеспечивая повышение производительности при незначительном влиянии на скорость. Этот модуль эффективно объединяет различные feature maps, увеличивая способность модели точно обнаруживать объекты. Для получения дополнительных сведений о функциях YOLOv6 обратись к Ключевые особенности раздел.

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 Обучение.

Какие существуют версии YOLOv6 и каковы их метрики производительности?

YOLOv6 предлагает несколько версий, каждая из которых оптимизирована для разных требований 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: Современная точность в сценариях реального времени

Эти модели оцениваются на наборе данных COCO с использованием графического процессора NVIDIA T4. Чтобы узнать больше о метриках производительности, см. Метрики производительности раздел.

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

Обучение с поддержкой якорей (AAT) в YOLOv6 сочетает элементы подходов, основанных на якорях и свободных от якорей, улучшая возможности обнаружения модели без ущерба для эффективности вывода. Эта стратегия использует якоря во время обучения для улучшения ограничивающего прямоугольника (bounding box) прогнозов, что делает YOLOv6 эффективной в разнообразных задачах обнаружения объектов.

Какие операционные режимы поддерживаются моделями YOLOv6 в Ultralytics?

YOLOv6 поддерживает различные операционные режимы, включая Inference, Validation, Training и Export. Эта гибкость позволяет тебе в полной мере использовать возможности модели в разных сценариях. Ознакомься с разделом Поддерживаемые задачи и режимы для получения подробного обзора каждого режима.