Meituan YOLOv6#

Genel Bakış#

2022'de yayımlanan Meituan YOLOv6, hız ve doğruluk arasında güçlü bir denge sunar ve bu da onu gerçek zamanlı uygulamalar için popüler bir seçenek hâline getirir. Bu modelin mimari ve eğitim düzenindeki dikkat çekici iyileştirmeler arasında Çift Yönlü Birleştirme (BiC) modülünün uygulanması, çapa destekli eğitim (AAT) stratejisi ve COCO veri kümesinde yüksek doğruluk sağlayan geliştirilmiş bir omurga ve boyun tasarımı yer alır.

YOLOv6'ya genel bakış. Yeniden tasarlanan ağ bileşenlerini ve önemli performans iyileştirmeleri sağlayan eğitim stratejilerini gösteren model mimarisi şeması. (a) YOLOv6'nın boyun kısmı (N ve S gösterilmiştir). M/L için RepBlocks'un CSPStackRep ile değiştirildiğini unutma. (b) BiC modülünün yapısı. (c) Bir SimCSPSPPF bloğu. (kaynak.

Temel Özellikler#

• Çift Yönlü Birleştirme (BiC) Modülü: YOLOv6, algılayıcının boyun kısmına bir BiC modülü ekleyerek konum belirleme sinyallerini güçlendirir ve hızda göz ardı edilebilir bir düşüşle performans kazanımı sağlar.
• Çapa Destekli Eğitim (AAT) Stratejisi: Bu model, çıkarım verimliliğinden ödün vermeden hem çapa tabanlı hem de çapasız yaklaşımların avantajlarından yararlanmak için AAT'yi önerir.
• Geliştirilmiş Omurga ve Boyun Tasarımı: YOLOv6'nın omurga ve boyun kısmına bir aşama daha ekleyerek derinleştirilmesiyle bu model, yayımlandığında yüksek çözünürlüklü girişlerde COCO veri kümesinde güçlü bir performans elde etti.
• Kendinden Damıtma Stratejisi: YOLOv6'nın daha küçük modellerinin performansını artırmak için yeni bir kendinden damıtma stratejisi uygulanır. Bu strateji, eğitim sırasında yardımcı regresyon dalını güçlendirir ve belirgin hız kaybını önlemek için çıkarım sırasında bu dalı kaldırır.

Performans Metrikleri#

YOLOv6, farklı ölçeklerde çeşitli önceden eğitilmiş modeller sunar:

• YOLOv6-N: COCO val2017'de NVIDIA T4 GPU ile 1187 FPS hızında %37,5 AP.
• YOLOv6-S: 484 FPS hızında %45,0 AP.
• YOLOv6-M: 226 FPS hızında %50,0 AP.
• YOLOv6-L: 116 FPS hızında %52,8 AP.
• YOLOv6-L6: Gerçek zamanlı kullanımda son teknoloji doğruluk.

YOLOv6 ayrıca farklı hassasiyet düzeylerinde kuantize modeller ve mobil platformlar için optimize edilmiş modeller sunar.

Kullanım Örnekleri#

Bu örnekte basit YOLOv6 eğitim ve çıkarım örnekleri sunulmaktadır. Bunlar ve diğer modlar hakkında eksiksiz belgeler için Tahmin, Eğitim, Doğrulama ve Dışa Aktarma belge sayfalarına bak.

from ultralytics import YOLO

# Sıfırdan bir YOLOv6n modeli oluştur
model = YOLO("yolov6n.yaml")

# Model bilgilerini görüntüle (isteğe bağlı)
model.info()

# Modeli COCO8 örnek veri kümesinde 100 dönem boyunca eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# 'bus.jpg' görüntüsünde YOLOv6n modeliyle çıkarım yap
results = model("path/to/bus.jpg")

Desteklenen Görevler ve Modlar#

YOLOv6 serisi, her biri yüksek performanslı Nesne Algılama için optimize edilmiş çeşitli modeller sunar. Bu modeller, farklı hesaplama gereksinimlerine ve doğruluk ihtiyaçlarına yanıt vererek çok çeşitli uygulamalarda kullanılabilir.

Bu tablo, YOLOv6 model çeşitlerine ayrıntılı bir genel bakış sunarak nesne algılama görevlerindeki yeteneklerini ve Çıkarım, Doğrulama, Eğitim ve Dışa Aktarma gibi çeşitli çalışma modlarıyla uyumluluklarını vurgular. Bu kapsamlı destek, kullanıcıların YOLOv6 modellerinin yeteneklerinden çok çeşitli nesne algılama senaryolarında tam olarak yararlanmasını sağlar.

Atıflar ve Teşekkürler#

Gerçek zamanlı nesne algılama alanına önemli katkılarından dolayı yazarlara teşekkür ederiz:

@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}
}

YOLOv6'nın özgün makalesini arXiv üzerinde bulabilirsin. Yazarlar çalışmalarını herkese açık hâle getirdi ve kod tabanına GitHub üzerinden erişilebilir. Alanı ileriye taşımak ve çalışmalarını daha geniş topluluğun erişimine sunmak için gösterdikleri çabaları takdir ediyoruz.

Sık Sorulan Sorular#