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. Эта модель представляет несколько заметных улучшений в своей архитектуре и схеме обучения, включая реализацию модуля Bi-directional Concatenation (BiC), стратегии anchor-aided training (AAT) и улучшенный backbone и neck design для современной точности на наборе данных COCO.

Обзор YOLOv6. Диаграмма архитектуры модели, показывающая переработанные сетевые компоненты и стратегии обучения, которые привели к значительному повышению производительности. (a) Neck YOLOv6 (показаны N и S). Обратите внимание, что для M/L RepBlocks заменен на CSPStackRep. (b) Структура модуля BiC. (c) Блок SimCSPSPPF. (источник).

Основные характеристики

• Модуль двунаправленного объединения (BiC): YOLOv6 представляет модуль BiC в neck части детектора, усиливая сигналы локализации и обеспечивая прирост производительности с незначительным снижением скорости.
• Стратегия обучения с использованием Anchor (AAT): Эта модель предлагает AAT, чтобы воспользоваться преимуществами как основанных на anchor, так и не использующих anchor парадигм без ущерба для эффективности инференса.
• Улучшенная архитектура Backbone и Neck: За счет углубления YOLOv6 путем добавления еще одного этапа в backbone и neck, эта модель достигает самых современных результатов на наборе данных COCO при высоком разрешении входных данных.
• Стратегия Self-Distillation: Реализована новая стратегия self-distillation для повышения производительности небольших моделей YOLOv6, улучшая вспомогательную регрессионную ветвь во время обучения и удаляя ее во время inference, чтобы избежать заметного снижения скорости.

Метрики производительности

YOLOv6 предоставляет различные предварительно обученные 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: Самая современная точность в реальном времени.

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

Примеры использования

В этом примере представлены простые примеры обучения и inference YOLOv6. Полную документацию по этим и другим режимам см. на страницах документации 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")

# Build a YOLOv6n model from scratch and train it on the COCO8 example dataset for 100 epochs
yolo train model=yolov6n.yaml data=coco8.yaml epochs=100 imgsz=640

# Build a YOLOv6n model from scratch and run inference on the 'bus.jpg' image
yolo predict model=yolov6n.yaml source=path/to/bus.jpg

Поддерживаемые задачи и режимы

Серия YOLOv6 предлагает ряд моделей, каждая из которых оптимизирована для высокопроизводительного обнаружения объектов. Эти модели удовлетворяют различным вычислительным потребностям и требованиям к точности, что делает их универсальными для широкого спектра приложений.

В этой таблице представлен подробный обзор вариантов модели YOLOv6, освещающий их возможности в задачах обнаружения объектов и их совместимость с различными режимами работы, такими как Inference, Validation, Training и Export. 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 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 YOLOv6 можно найти на arXiv. Авторы сделали свою работу общедоступной, и доступ к кодовой базе можно получить на GitHub. Мы ценим их усилия по продвижению этой области и обеспечению доступности их работы для широкого круга специалистов.

Часто задаваемые вопросы

Что такое Meituan YOLOv6 и что делает его уникальным?

Meituan YOLOv6 — это современный детектор объектов, который обеспечивает баланс между скоростью и точностью, что идеально подходит для приложений реального времени. Он имеет заметные архитектурные улучшения, такие как модуль Bi-directional Concatenation (BiC) и стратегия Anchor-Aided Training (AAT). Эти инновации обеспечивают существенный прирост производительности с минимальным снижением скорости, что делает YOLOv6 конкурентоспособным выбором для задач обнаружения объектов.

Как модуль Bi-directional Concatenation (BiC) в YOLOv6 повышает производительность?

Модуль двунаправленного объединения (BiC) в YOLOv6 улучшает сигналы локализации в шейке детектора, обеспечивая повышение производительности с незначительным влиянием на скорость. Этот модуль эффективно объединяет различные карты признаков, повышая способность модели точно обнаруживать объекты. Более подробную информацию о функциях YOLOv6 можно найти в разделе Основные характеристики.

Как я могу обучить модель YOLOv6 с помощью Ultralytics?

Вы можете обучить модель YOLOv6, используя Ultralytics, с помощью простых команд 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)

yolo train model=yolov6n.yaml data=coco8.yaml epochs=100 imgsz=640

Для получения дополнительной информации посетите страницу Train.

Каковы различные версии YOLOv6 и их показатели производительности?

YOLOv6 предлагает несколько версий, каждая из которых оптимизирована для различных 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: Передовая точность в сценариях реального времени

Эти модели оцениваются на наборе данных COCO с использованием NVIDIA T4 GPU. Дополнительную информацию о показателях производительности см. в разделе Метрики производительности.

Каковы преимущества стратегии Anchor-Aided Training (AAT) для YOLOv6?

Anchor-Aided Training (AAT) в YOLOv6 сочетает в себе элементы подходов, основанных на якорях, и подходов, не использующих якоря, что повышает возможности обнаружения модели без ущерба для эффективности логического вывода. Эта стратегия использует якоря во время обучения для улучшения прогнозирования ограничивающих рамок, что делает YOLOv6 эффективным в различных задачах обнаружения объектов.

Какие операционные режимы поддерживаются моделями YOLOv6 в Ultralytics?

YOLOv6 поддерживает различные режимы работы, включая Inference, Validation, Training и Export. Эта гибкость позволяет пользователям в полной мере использовать возможности модели в различных сценариях. Подробный обзор каждого режима можно найти в разделе Поддерживаемые задачи и режимы.

📅 Создано 1 год назад ✏️ Обновлено 4 месяца назад

Комментарии