Meituan YOLOv6#

Genel Bakış#

Meituan YOLOv6, 2022 yılında piyasaya sürülmüştür ve hız ile doğruluk arasında güçlü bir denge sunarak gerçek zamanlı uygulamalar için popüler bir seçim olmasını sağlar. Bu model; Çift Yönlü Birleştirme (BiC) modülünün uygulanması, çapa destekli eğitim (AAT) stratejisi ve COCO dataset üzerinde yüksek doğruluk için geliştirilmiş bir backbone ve boyun tasarımı dahil olmak üzere mimarisi ve eğitim şeması üzerinde birkaç önemli iyileştirme sunar.

YOLOv6'ya Genel Bakış. Önemli performans artışlarına yol açan yeniden tasarlanmış ağ bileşenlerini ve eğitim stratejilerini gösteren model mimarisi şeması. (a) YOLOv6'nın boyun kısmı (N ve S gösterilmiştir). M/L için RepBlocks'un yerine CSPStackRep kullanıldığına dikkat edin. (b) Bir BiC modülünün yapısı. (c) Bir SimCSPSPPF bloğu. (kaynak).

Temel Özellikler#

• Çift Yönlü Birleştirme (BiC) Modülü: YOLOv6, dedektörün boyun kısmına bir BiC modülü ekleyerek yerelleştirme sinyallerini geliştirir ve hızda göz ardı edilebilir bir düşüşle performans kazanımları sağlar.
• Çapa Destekli Eğitim (AAT) Stratejisi: Bu model, çıkarım verimliliğinden ödün vermeden hem çapa tabanlı hem de çapasız paradigmaların avantajlarından yararlanmak için AAT'yi önerir.
• Geliştirilmiş Omurga ve Boyun Tasarımı: YOLOv6'yı omurga ve boyun kısmına bir aşama daha ekleyerek derinleştiren bu model, piyasaya sürüldüğünde yüksek çözünürlüklü girişte COCO veri kümesinde güçlü bir performans elde etti.
• Kendi Kendine Damıtma Stratejisi: YOLOv6'nın daha küçük modellerinin performansını artırmak, eğitim sırasında yardımcı regresyon dalını iyileştirmek ve belirgin bir hız düşüşünden kaçınmak için çıkarım sırasında onu kaldırmak amacıyla yeni bir kendi kendine damıtma stratejisi uygulanmıştır.

Performans Metrikleri#

YOLOv6, farklı ölçeklerde çeşitli önceden eğitilmiş modeller sağlar:

• YOLOv6-N: NVIDIA T4 GPU ile 1187 FPS'de COCO val2017 üzerinde %37.5 AP.
• YOLOv6-S: 484 FPS'de %45.0 AP.
• YOLOv6-M: 226 FPS'de %50.0 AP.
• YOLOv6-L: 116 FPS'de %52.8 AP.
• YOLOv6-L6: Gerçek zamanlıda en güncel doğruluk.

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

Kullanım Örnekleri#

Bu örnek, basit YOLOv6 eğitimi ve çıkarımı örnekleri sağlar. Bunlar ve diğer modlar hakkında tam belgeler için Predict, Train, Val ve Export belge sayfalarına bakın.

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")

Desteklenen Görevler ve Modlar#

YOLOv6 serisi, her biri yüksek performanslı Nesne Tespiti için optimize edilmiş bir dizi model sunar. Bu modeller, değişen hesaplama ihtiyaçlarını ve doğruluk gereksinimlerini karşılayarak onları geniş bir uygulama yelpazesi için çok yönlü hâle getirir.

Bu tablo, YOLOv6 model varyantlarının ayrıntılı bir genel bakışını sunarak nesne tespiti görevlerindeki yeteneklerini ve Çıkarım, Doğrulama, Eğitim ve Dışa Aktarma gibi çeşitli operasyonel modlarla uyumluluklarını vurgular. Bu kapsamlı destek, kullanıcıların geniş bir nesne tespiti senaryosu yelpazesinde YOLOv6 modellerinin yeteneklerinden tam olarak yararlanabilmesini sağlar.

Alıntılar ve Teşekkür#

Gerçek zamanlı nesne algılama alanındaki 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}
}

Orijinal YOLOv6 makalesi arXiv üzerinde bulunabilir. Yazarlar çalışmalarını halka açık hale getirdiler ve kod tabanına GitHub üzerinden erişilebilir. Alanı ilerletmek ve çalışmalarını daha geniş topluluğun erişimine sunmak için gösterdikleri çabaları takdir ediyoruz.

SSS#

Meituan YOLOv6 nedir ve onu benzersiz kılan nedir?#

2022'de piyasaya sürülen Meituan YOLOv6, gerçek zamanlı uygulamalar için tasarlanmış, hız ve doğruluk arasında denge kuran bir nesne dedektörüdür. Çift Yönlü Birleştirme (BiC) modülü ve Çapa Destekli Eğitim (AAT) stratejisi gibi dikkate değer mimari geliştirmelere sahiptir. Bu yenilikler, minimum hız düşüşüyle önemli performans kazanımları sağlar ve YOLOv6'yı nesne algılama görevleri için rekabetçi bir seçenek haline getirir.

YOLOv6'daki Çift Yönlü Birleştirme (BiC) Modülü performansı nasıl artırır?#

YOLOv6'daki Çift Yönlü Birleştirme (BiC) modülü, dedektörün boyun kısmındaki yerelleştirme sinyallerini geliştirerek ihmal edilebilir bir hız etkisiyle performans iyileşmeleri sağlar. Bu modül, farklı özellik haritalarını etkili bir şekilde birleştirerek modelin nesneleri doğru bir şekilde tespit etme yeteneğini artırır. YOLOv6'nın özellikleri hakkında daha fazla ayrıntı için Temel Özellikler bölümüne bakın.

Ultralytics kullanarak nasıl YOLOv6 modeli eğitebilirim?#

Basit Python veya CLI komutlarıyla Ultralytics kullanarak bir YOLOv6 modeli eğitebilirsin. Örneğin:

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)

Daha fazla bilgi için Train sayfasını ziyaret edin.

YOLOv6'nın farklı sürümleri nelerdir ve performans metrikleri nelerdir?#

YOLOv6, her biri farklı performans gereksinimleri için optimize edilmiş birden fazla sürüm sunar:

• YOLOv6-N: 1187 FPS'de %37.5 AP
• YOLOv6-S: 484 FPS'de %45.0 AP
• YOLOv6-M: 226 FPS'de %50.0 AP
• YOLOv6-L: 116 FPS'de %52.8 AP
• YOLOv6-L6: Gerçek zamanlı senaryolarda en güncel doğruluk

Bu modeller, bir NVIDIA T4 GPU kullanılarak COCO veri kümesi üzerinde değerlendirilir. Performans metrikleri hakkında daha fazla bilgi için Performans Metrikleri bölümüne bakın.

Çapa Destekli Eğitim (AAT) stratejisi YOLOv6'ya nasıl fayda sağlar?#

YOLOv6'daki Çapa Destekli Eğitim (AAT), çapa tabanlı ve çapasız yaklaşımların unsurlarını birleştirerek çıkarım verimliliğinden ödün vermeden modelin tespit yeteneklerini geliştirir. Bu strateji, sınırlayıcı kutu tahminlerini iyileştirmek için eğitim sırasında çapaları değerlendirerek YOLOv6'yı farklı nesne tespiti görevlerinde etkili kılar.

Ultralytics'te YOLOv6 modelleri tarafından hangi operasyonel modlar desteklenir?#

YOLOv6; Çıkarım, Doğrulama, Eğitim ve Dışa Aktarma dahil olmak üzere çeşitli operasyonel modları destekler. Bu esneklik, kullanıcıların modelin yeteneklerinden farklı senaryolarda tam olarak yararlanmasını sağlar. Her modun ayrıntılı bir genel bakışı için Desteklenen Görevler ve Modlar bölümüne göz atın.