Meituan YOLOv6
Tổng quan
Meituan YOLOv6 là một trình phát hiện đối tượng tiên tiến, mang lại sự cân bằng đáng kể giữa tốc độ và độ chính xác, khiến nó trở thành một lựa chọn phổ biến cho các ứng dụng thời gian thực. Mô hình này giới thiệu một số cải tiến đáng chú ý về kiến trúc và lược đồ huấn luyện, bao gồm việc triển khai mô-đun Bi-directional Concatenation (BiC), chiến lược anchor-aided training (AAT) và cải tiến backbone và thiết kế neck để đạt được độ chính xác hiện đại trên tập dữ liệu COCO.
Tổng quan về YOLOv6. Sơ đồ kiến trúc mô hình hiển thị các thành phần mạng được thiết kế lại và các chiến lược huấn luyện đã dẫn đến những cải tiến đáng kể về hiệu suất. (a) Phần neck của YOLOv6 (N và S được hiển thị). Lưu ý đối với M/L, RepBlocks được thay thế bằng CSPStackRep. (b) Cấu trúc của một mô-đun BiC. (c) Một khối SimCSPSPPF. (nguồn).
Các tính năng chính
- Mô-đun Ghép nối hai chiều (BiC): YOLOv6 giới thiệu một mô-đun BiC trong phần neck của detector, tăng cường tín hiệu định vị và mang lại hiệu suất cao hơn với độ suy giảm tốc độ không đáng kể.
- Chiến lược Huấn luyện Hỗ trợ Anchor (Anchor-Aided Training - AAT): Mô hình này đề xuất AAT để tận hưởng những lợi ích của cả hai mô hình dựa trên anchor và không cần anchor mà không ảnh hưởng đến hiệu quả suy luận.
- Thiết kế Backbone và Neck nâng cao: Bằng cách đào sâu YOLOv6 để bao gồm một giai đoạn khác trong backbone và neck, mô hình này đạt được hiệu suất hiện đại trên tập dữ liệu COCO ở đầu vào độ phân giải cao.
- Chiến lược Tự chưng cất: Một chiến lược tự chưng cất mới được triển khai để tăng hiệu suất của các mô hình YOLOv6 nhỏ hơn, tăng cường nhánh hồi quy phụ trợ trong quá trình huấn luyện và loại bỏ nó ở giai đoạn suy luận để tránh giảm tốc độ đáng kể.
Các chỉ số hiệu suất
YOLOv6 cung cấp nhiều mô hình được huấn luyện trước khác nhau với các tỷ lệ khác nhau:
- YOLOv6-N: 37.5% AP trên COCO val2017 ở 1187 FPS với NVIDIA T4 GPU.
- YOLOv6-S: 45.0% AP ở 484 FPS.
- YOLOv6-M: 50.0% AP ở 226 FPS.
- YOLOv6-L: 52.8% AP ở 116 FPS.
- YOLOv6-L6: Độ chính xác hiện đại trong thời gian thực.
YOLOv6 cũng cung cấp các mô hình lượng tử hóa cho các độ chính xác khác nhau và các mô hình được tối ưu hóa cho nền tảng di động.
Ví dụ sử dụng
Ví dụ này cung cấp các ví dụ đơn giản về huấn luyện và suy luận YOLOv6. Để có tài liệu đầy đủ về các chế độ này và các chế độ khác, hãy xem các trang tài liệu Predict, Train, Val và Export.
Ví dụ
YOLOv6 *.yaml các tệp có thể được chuyển đến YOLO() lớp để xây dựng mô hình tương ứng trong 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")
Các lệnh CLI có sẵn để chạy trực tiếp các mô hình:
# 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
Các Tác vụ và Chế độ được Hỗ trợ
Dòng YOLOv6 cung cấp một loạt các mô hình, mỗi mô hình được tối ưu hóa cho Phát hiện đối tượng hiệu suất cao. Các mô hình này phục vụ cho các nhu cầu tính toán và yêu cầu về độ chính xác khác nhau, làm cho chúng trở nên linh hoạt cho một loạt các ứng dụng.
| Mô hình | Tên tập tin | Nhiệm vụ | Suy luận | Xác thực | Huấn luyện | Xuất |
|---|---|---|---|---|---|---|
| YOLOv6-N | yolov6n.yaml |
Phát Hiện Đối Tượng | ✅ | ✅ | ✅ | ✅ |
| YOLOv6-S | yolov6s.yaml |
Phát Hiện Đối Tượng | ✅ | ✅ | ✅ | ✅ |
| YOLOv6-M | yolov6m.yaml |
Phát Hiện Đối Tượng | ✅ | ✅ | ✅ | ✅ |
| YOLOv6-L | yolov6l.yaml |
Phát Hiện Đối Tượng | ✅ | ✅ | ✅ | ✅ |
| YOLOv6-X | yolov6x.yaml |
Phát Hiện Đối Tượng | ✅ | ✅ | ✅ | ✅ |
Bảng này cung cấp thông tin chi tiết về các biến thể của mô hình YOLOv6, làm nổi bật khả năng của chúng trong các tác vụ phát hiện đối tượng và khả năng tương thích của chúng với các chế độ hoạt động khác nhau như Suy luận, Xác thực, Huấn luyện và Xuất. Hỗ trợ toàn diện này đảm bảo rằng người dùng có thể tận dụng tối đa khả năng của các mô hình YOLOv6 trong một loạt các tình huống phát hiện đối tượng.
Trích dẫn và ghi nhận
Chúng tôi xin ghi nhận những đóng góp to lớn của các tác giả trong lĩnh vực phát hiện đối tượng theo thời gian thực:
@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}
}
Bạn có thể tìm thấy bài báo YOLOv6 gốc trên arXiv. Các tác giả đã công khai công trình của họ và có thể truy cập codebase trên GitHub. Chúng tôi đánh giá cao những nỗ lực của họ trong việc thúc đẩy lĩnh vực này và làm cho công trình của họ có thể tiếp cận được với cộng đồng rộng lớn hơn.
Câu hỏi thường gặp
Meituan YOLOv6 là gì và điều gì tạo nên sự khác biệt của nó?
Meituan YOLOv6 là một trình phát hiện đối tượng hiện đại, cân bằng giữa tốc độ và độ chính xác, lý tưởng cho các ứng dụng thời gian thực. Nó có các cải tiến kiến trúc đáng chú ý như mô-đun Bi-directional Concatenation (BiC) và chiến lược Anchor-Aided Training (AAT). Những cải tiến này mang lại hiệu suất đáng kể với tốc độ suy giảm tối thiểu, làm cho YOLOv6 trở thành một lựa chọn cạnh tranh cho các tác vụ phát hiện đối tượng.
Mô-đun Ghép nối hai chiều (BiC) trong YOLOv6 cải thiện hiệu suất như thế nào?
Mô-đun Bi-directional Concatenation (BiC) trong YOLOv6 tăng cường các tín hiệu bản địa hóa trong neck của detector, mang lại những cải tiến về hiệu suất với tác động không đáng kể đến tốc độ. Mô-đun này kết hợp hiệu quả các feature maps khác nhau, tăng khả năng phát hiện đối tượng chính xác của mô hình. Để biết thêm chi tiết về các tính năng của YOLOv6, hãy tham khảo phần Các Tính Năng Chính.
Làm cách nào để huấn luyện mô hình YOLOv6 bằng Ultralytics?
Bạn có thể huấn luyện mô hình YOLOv6 bằng Ultralytics với các lệnh Python hoặc CLI đơn giản. Ví dụ:
Ví dụ
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
Để biết thêm thông tin, hãy truy cập trang Huấn luyện.
Các phiên bản khác nhau của YOLOv6 và các chỉ số hiệu suất của chúng là gì?
YOLOv6 cung cấp nhiều phiên bản, mỗi phiên bản được tối ưu hóa cho các yêu cầu hiệu suất khác nhau:
- YOLOv6-N: 37.5% AP ở 1187 FPS
- YOLOv6-S: 45.0% AP ở 484 FPS
- YOLOv6-M: 50.0% AP ở 226 FPS
- YOLOv6-L: 52.8% AP ở 116 FPS
- YOLOv6-L6: Độ chính xác hàng đầu trong các tình huống thời gian thực
Các mô hình này được đánh giá trên bộ dữ liệu COCO bằng GPU NVIDIA T4. Để biết thêm về các chỉ số hiệu suất, hãy xem phần Chỉ số hiệu suất.
Chiến lược Huấn luyện có hỗ trợ Anchor (AAT) mang lại lợi ích gì cho YOLOv6?
Anchor-Aided Training (AAT) trong YOLOv6 kết hợp các yếu tố của phương pháp dựa trên anchor và không dựa trên anchor, tăng cường khả năng phát hiện của mô hình mà không ảnh hưởng đến hiệu quả suy luận. Chiến lược này tận dụng các anchor trong quá trình huấn luyện để cải thiện dự đoán khung giới hạn, làm cho YOLOv6 hiệu quả trong các tác vụ phát hiện đối tượng đa dạng.
Những chế độ hoạt động nào được hỗ trợ bởi các mô hình YOLOv6 trong Ultralytics?
YOLOv6 hỗ trợ nhiều chế độ hoạt động khác nhau bao gồm Suy luận, Xác thực, Huấn luyện và Xuất. Tính linh hoạt này cho phép người dùng khai thác tối đa khả năng của mô hình trong các tình huống khác nhau. Xem phần Các tác vụ và chế độ được hỗ trợ để có cái nhìn tổng quan chi tiết về từng chế độ.
