─░├žeri─če ge├ž

Meituan YOLOv6

Genel Bak─▒┼č

Meituan YOLOv6, h─▒z ve do─čruluk aras─▒nda dikkate de─čer bir denge sunan ve ger├žek zamanl─▒ uygulamalar i├žin pop├╝ler bir se├žim haline getiren son teknoloji ├╝r├╝n├╝ bir nesne dedekt├Âr├╝d├╝r. Bu model, mimarisinde ve e─čitim ┼čemas─▒nda, ├çift Y├Ânl├╝ Birle┼čtirme (BiC) mod├╝l├╝n├╝n uygulanmas─▒, ├žapa destekli e─čitim (AAT) stratejisi ve COCO veri k├╝mesinde son teknoloji do─čruluk i├žin geli┼čtirilmi┼č bir omurga ve boyun tasar─▒m─▒ dahil olmak ├╝zere birka├ž ├Ânemli geli┼čtirme sunmaktad─▒r.

Meituan YOLOv6 ├ľrnek model g├Âr├╝nt├╝s├╝ YOLOv6'ya genel bak─▒┼č. ├ľnemli performans iyile┼čtirmelerine yol a├žan yeniden tasarlanm─▒┼č a─č bile┼čenlerini ve e─čitim stratejilerini g├Âsteren model mimarisi diyagram─▒. (a) YOLOv6'n─▒n boynu (N ve S g├Âsterilmi┼čtir). M/L i├žin RepBlocks'un CSPStackRep ile de─či┼čtirildi─čine dikkat edin. (b) Bir BiC mod├╝l├╝n├╝n yap─▒s─▒. (c) Bir SimCSPSPPF blo─ču. (kaynak).

Temel ├ľzellikler

  • ├çift Y├Ânl├╝ Birle┼čtirme (BiC) Mod├╝l├╝: YOLOv6, dedekt├Âr├╝n boynuna bir BiC mod├╝l├╝ ekleyerek lokalizasyon sinyallerini geli┼čtirir ve ihmal edilebilir h─▒z d├╝┼č├╝┼č├╝ ile performans kazan─▒mlar─▒ sa─člar.
  • ├çapa Destekli E─čitim (AAT) Stratejisi: Bu model, ├ž─▒kar─▒m verimlili─činden ├Âd├╝n vermeden hem ├žapa tabanl─▒ hem de ├žapas─▒z paradigmalar─▒n avantajlar─▒ndan yararlanmak i├žin AAT'yi ├Ânermektedir.
  • Geli┼čtirilmi┼č Omurga ve Boyun Tasar─▒m─▒: YOLOv6'y─▒ omurga ve boyunda ba┼čka bir a┼čama i├žerecek ┼čekilde derinle┼čtiren bu model, y├╝ksek ├ž├Âz├╝n├╝rl├╝kl├╝ girdide COCO veri k├╝mesinde en son teknolojiye sahip performansa ula┼č─▒r.
  • Kendi Kendine Dam─▒tma Stratejisi: YOLOv6'n─▒n daha k├╝├ž├╝k modellerinin performans─▒n─▒ art─▒rmak i├žin, e─čitim s─▒ras─▒nda yard─▒mc─▒ regresyon dal─▒n─▒ geli┼čtiren ve belirgin bir h─▒z d├╝┼č├╝┼č├╝n├╝ ├Ânlemek i├žin ├ž─▒kar─▒mda kald─▒ran yeni bir kendi kendine dam─▒tma stratejisi uygulanmaktad─▒r.

Performans ├ľl├ž├╝tleri

YOLOv6, farkl─▒ ├Âl├žeklerde ├že┼čitli ├Ânceden e─čitilmi┼č modeller sa─člar:

  • YOLOv6-N: NVIDIA Tesla T4 GPU ile COCO val2017'de 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: Ger├žek zamanl─▒ olarak son teknoloji ├╝r├╝n├╝ do─čruluk.

YOLOv6 ayr─▒ca farkl─▒ kesinlikler i├žin nicelle┼čtirilmi┼č modeller ve mobil platformlar i├žin optimize edilmi┼č modeller sa─člar.

Kullan─▒m ├ľrnekleri

Bu ├Ârnek basit YOLOv6 e─čitim ve ├ž─▒kar─▒m ├Ârnekleri sa─člar. Bu ve di─čer modlarla ilgili t├╝m belgeler i├žin Predict, Train, Val ve Export docs sayfalar─▒na bak─▒n.

├ľrnek

PyTorch ├Ân e─čitimli *.pt modellerin yan─▒ s─▒ra yap─▒land─▒rma *.yaml dosyalar ┼ču dosyalara aktar─▒labilir YOLO() s─▒n─▒f─▒nda bir model ├Ârne─či olu┼čturmak i├žin 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 komutlar─▒ modelleri do─črudan ├žal─▒┼čt─▒rmak i├žin kullan─▒labilir:

# 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

Desteklenen G├Ârevler ve Modlar

YOLOv6 serisi, her biri y├╝ksek performansl─▒ Nesne Alg─▒lama i├žin optimize edilmi┼č bir dizi model sunar. Bu modeller, farkl─▒ hesaplama ihtiya├žlar─▒na ve do─čruluk gereksinimlerine cevap vererek onlar─▒ geni┼č bir uygulama yelpazesi i├žin ├žok y├Ânl├╝ hale getirir.

Model Tipi ├ľnceden E─čitilmi┼č A─č─▒rl─▒klar Desteklenen G├Ârevler ├ç─▒kar─▒m Do─črulama E─čitim ─░hracat
YOLOv6-N yolov6-n.pt Nesne Alg─▒lama Ôťů Ôťů Ôťů Ôťů
YOLOv6-S yolov6-s.pt Nesne Alg─▒lama Ôťů Ôťů Ôťů Ôťů
YOLOv6-M yolov6-m.pt Nesne Alg─▒lama Ôťů Ôťů Ôťů Ôťů
YOLOv6-L yolov6-l.pt Nesne Alg─▒lama Ôťů Ôťů Ôťů Ôťů
YOLOv6-L6 yolov6-l6.pt Nesne Alg─▒lama Ôťů Ôťů Ôťů Ôťů

Bu tablo, YOLOv6 model varyantlar─▒na ayr─▒nt─▒l─▒ bir genel bak─▒┼č sunmakta, nesne alg─▒lama g├Ârevlerindeki yeteneklerini ve ├ç─▒kar─▒m, Do─črulama, E─čitim ve D─▒┼ča Aktarma gibi ├že┼čitli operasyonel modlarla uyumluluklar─▒n─▒ vurgulamaktad─▒r. Bu kapsaml─▒ destek, kullan─▒c─▒lar─▒n ├žok ├že┼čitli nesne alg─▒lama senaryolar─▒nda YOLOv6 modellerinin yeteneklerinden tam olarak yararlanabilmesini sa─člar.

At─▒flar ve Te┼čekk├╝r

Yazarlara ger├žek zamanl─▒ nesne alg─▒lama alan─▒ndaki ├Ânemli katk─▒lar─▒ndan dolay─▒ te┼čekk├╝r 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'de bulunabilir. Yazarlar ├žal─▒┼čmalar─▒n─▒ kamuya a├ž─▒k hale getirmi┼člerdir ve kod taban─▒na GitHub ├╝zerinden eri┼čilebilir. Alan─▒ ilerletme ve ├žal─▒┼čmalar─▒n─▒ daha geni┼č bir topluluk i├žin eri┼čilebilir hale getirme ├žabalar─▒n─▒ takdir ediyoruz.



Created 2023-11-12, Updated 2024-06-10
Authors: glenn-jocher (8)

Yorumlar