Meituan YOLOv6
Обзор
Meituan YOLOv6 - это передовой детектор объектов, который предлагает замечательный баланс между скоростью и точностью, что делает его популярным выбором для приложений реального времени. В этой модели реализовано несколько заметных улучшений в архитектуре и схеме обучения, включая внедрение модуля двунаправленной конкатенации (BiC), стратегию обучения с помощью якорей (AAT), а также улучшенную конструкцию позвоночника и шеи, обеспечивающую высочайшую точность на наборе данных COCO.
Обзор YOLOv6. Схема архитектуры модели, показывающая переработанные компоненты сети и стратегии обучения, которые привели к значительному улучшению производительности. (a) Шея YOLOv6 (показаны N и S). Заметь, что для M/L, RepBlocks заменен на CSPStackRep. (b) Структура модуля BiC. (c) Блок SimCSPSPPF. (источник).
Основные характеристики
- Модуль двунаправленной конкатенации (BiC): В YOLOv6 появился модуль BiC в горловине детектора, улучшающий сигналы локализации и обеспечивающий прирост производительности при незначительном снижении скорости.
- Стратегия обучения с помощью якорей (AAT): Эта модель предлагает AAT, чтобы воспользоваться преимуществами парадигм с якорями и без якорей без ущерба для эффективности выводов.
- Улучшенная конструкция позвоночника и шеи: Углубив YOLOv6, чтобы включить еще одну стадию в позвоночнике и шее, эта модель достигла передовой производительности на наборе данных COCO при высоком разрешении входных данных.
- Стратегия самодистилляции: Для повышения производительности небольших моделей в YOLOv6 реализована новая стратегия самодистилляции, которая усиливает вспомогательную ветвь регрессии во время обучения и удаляет ее при выводе, чтобы избежать заметного снижения скорости.
Показатели производительности
YOLOv6 предоставляет различные предварительно обученные модели с разными масштабами:
- YOLOv6-N: 37,5% AP на COCO val2017 при 1187 FPS с графическим процессором NVIDIA Tesla 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 режиме реального времени.
YOLOv6 также предоставляет квантованные модели для различных точностей и модели, оптимизированные для мобильных платформ.
Примеры использования
В этом примере приведены простые примеры обучения и вывода YOLOv6. Полную документацию по этим и другим режимам можно найти на страницах Predict, Train, Val и Export docs.
Пример
PyTorch предварительно обученный *.pt
модели, а также конфигурации *.yaml
файлы могут быть переданы в YOLO()
класс, чтобы создать экземпляр модели в python:
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')
CLI Для непосредственного запуска моделей доступны команды:
Поддерживаемые задачи и режимы
Серия YOLOv6 предлагает ряд моделей, каждая из которых оптимизирована для высокопроизводительного обнаружения объектов. Эти модели отвечают различным вычислительным потребностям и требованиям к точности, что делает их универсальными для широкого спектра приложений.
Тип модели | Предварительно обученные веса | Поддерживаемые задачи | Заключение | Валидация | Тренировка | Экспорт |
---|---|---|---|---|---|---|
YOLOv6-N | yolov6-n.pt |
Обнаружение объектов | ✅ | ✅ | ✅ | ✅ |
YOLOv6-S | yolov6-s.pt |
Обнаружение объектов | ✅ | ✅ | ✅ | ✅ |
YOLOv6-M | yolov6-m.pt |
Обнаружение объектов | ✅ | ✅ | ✅ | ✅ |
YOLOv6-L | yolov6-l.pt |
Обнаружение объектов | ✅ | ✅ | ✅ | ✅ |
YOLOv6-L6 | yolov6-l6.pt |
Обнаружение объектов | ✅ | ✅ | ✅ | ✅ |
В этой таблице представлен подробный обзор вариантов моделей YOLOv6, выделены их возможности в задачах обнаружения объектов и совместимость с различными рабочими режимами, такими как Inference, Validation, Training и Export. Такая всесторонняя поддержка гарантирует, что пользователи смогут полностью использовать возможности моделей YOLOv6 в широком спектре сценариев обнаружения объектов.
Цитаты и благодарности
Мы хотели бы поблагодарить авторов за их значительный вклад в область обнаружения объектов в реальном времени:
Оригинальную статью YOLOv6 можно найти на arXiv. Авторы сделали свою работу общедоступной, а кодовую базу можно найти на GitHub. Мы ценим их усилия, направленные на развитие области и обеспечение доступности их работы для широкой общественности.