Meituan YOLOv6

Tổng quan

Meituan YOLOv6 là một máy dò đối tượng tiên tiến cung cấp sự cân bằng đáng kể giữa tốc độ và độ chính xác, làm cho 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 sơ đồ đào tạo của nó, bao gồm việc triển khai mô-đun Nối hai chiều (BiC), chiến lược đào tạo hỗ trợ neo (AAT) và thiết kế xương sống và cổ được cải tiến để có độ chính xác hiện đại trên bộ dữ liệu COCO.

Tổng quan về YOLOv6. Sơ đồ kiến trúc mô hình cho thấy các thành phần mạng được thiết kế lại và các chiến lược đào tạo đã dẫn đến những cải tiến đáng kể về hiệu suất. (a) Cổ của YOLOv6 (N và S được hiển thị). Lưu ý đối với M / L, RepBlocks được thay thế bằng CSPStackRep. (b) Cấu trúc của mô-đun BiC. (c) Một khối SimCSPSPPF. (nguồn).

Các tính năng chính

• Mô-đun nối hai chiều (BiC): YOLOv6 giới thiệu một mô-đun BiC ở cổ của máy dò, tăng cường tín hiệu nội địa hóa và mang lại hiệu suất tăng với sự suy giảm tốc độ không đáng kể.
• Chiến lược đào tạo có sự hỗ trợ của neo (AAT): Mô hình này đề xuất AAT để tận hưởng những lợi ích của cả mô hình dựa trên neo và không có neo mà không ảnh hưởng đến hiệu quả suy luận.
• Thiết kế xương sống và cổ nâng cao: Bằng cách đào sâu YOLOv6 để bao gồm một giai đoạn khác ở xương sống và cổ, mô hình này đạt được hiệu suất hiện đại trên bộ dữ liệu COCO ở đầu vào có độ phân giải cao.
• Chiến lược tự chưng cất: Một chiến lược tự chưng cất mới được thực hiện để tăng hiệu suất của các mô hình YOLOv6 nhỏ hơn, tăng cường nhánh hồi quy phụ trợ trong quá trình đào tạo và loại bỏ nó theo suy luận để tránh sự suy giảm tốc độ rõ rệt.

Chỉ số hiệu suất

YOLOv6 cung cấp các mô hình được đào tạo trước khác nhau với các quy mô khác nhau:

• YOLOv6-N: 37,5% AP trên COCO val2017 ở mức 1187 FPS với NVIDIA T4 GPU .
• YOLOv6-S: 45.0% AP ở tốc độ 484 FPS.
• YOLOv6-M: 50.0% AP ở tốc độ 226 FPS.
• YOLOv6-L: 52.8% AP ở tốc độ 116 khung hình / giây.
• YOLOv6-L6: Độ chính xác hiện đại trong thời gian thực.

YOLOv6 cũng cung cấp các mô hình lượng tử 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 suy luận và đào tạo YOLOv6 đơn giản. Để biết tài liệu đầy đủ về các chế độ này và các chế độ khác, hãy xem các trang tài liệu Dự đoán, Đào tạo, Val và Xuất .

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

Các tác vụ và chế độ được hỗ trợ

Dòng YOLOv6 cung cấp nhiều mẫu, mỗi mẫu được tối ưu hóa cho Phát hiện đối tượng hiệu suất cao. Các mẫu này đáp ứng các nhu cầu tính toán và yêu cầu về độ chính xác khác nhau, giúp chúng linh hoạt cho nhiều ứng dụng.

Bảng này cung cấp tổng quan chi tiết về các biến thể 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 nhiều chế độ hoạt động khác nhau như Suy luận , Xác thực , Đào tạo và Xuất . Hỗ trợ toàn diện này đảm bảo rằng người dùng có thể tận dụng đầy đủ khả năng của các mô hình YOLOv6 trong nhiều tình huống phát hiện đối tượng.

Trích dẫn và xác nhận

Chúng tôi xin ghi nhận những đóng góp đáng kể của các tác giả trong lĩnh vực phát hiện đối tượng 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}
}

Giấy YOLOv6 gốc có thể được tìm thấy trên arXiv. Các tác giả đã công bố công khai tác phẩm của họ và cơ sở mã có thể được truy cập trên GitHub. Chúng tôi đánh giá cao những nỗ lực của họ trong việc thúc đẩy lĩnh vực này và làm cho công việc của họ có thể tiếp cận được với cộng đồng rộng lớn hơn.

FAQ

Meituan YOLOv6 là gì và điều gì làm cho nó trở nên độc đáo?

Meituan YOLOv6 là một máy dò đối tượng hiện đại cân bằng giữa tốc độ và độ chính xác, lý tưởng cho các ứng dụng thời gian thực. Nó có những cải tiến kiến trúc đáng chú ý như mô-đun Nối hai chiều (BiC) và chiến lược Đào tạo hỗ trợ neo (AAT). Những cải tiến này mang lại hiệu suất đáng kể với sự suy giảm tốc độ tối thiểu, làm cho YOLOv6 trở thành lựa chọn cạnh tranh cho các tác vụ phát hiện đối tượng.

Mô-đun nối hai chiều (BiC) trong YOLOv6 cải thiện hiệu suất như thế nào?

Mô-đun Nối hai hướng (BiC) trong YOLOv6 tăng cường tín hiệu định vị ở cổ máy dò, mang lại những cải tiến về hiệu suất với tác động tốc độ không đáng kể. Mô-đun này kết hợp hiệu quả các bản đồ tính năng khác nhau, tăng khả năng phát hiện chính xác các đối tượng của mô hình. Để biết thêm chi tiết về các tính năng của YOLOv6, hãy tham khảo phần Tính năng chính .

Làm cách nào để đào tạo mô hình YOLOv6 bằng cách sử dụng Ultralytics?

Bạn có thể đào tạo mô hình YOLOv6 bằng cách sử dụng Ultralytics với đơn giản Python hoặc CLI Lệnh. Chẳng hạn:

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 Tàu hỏa .

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 tốc độ 1187 khung hình / giây
• YOLOv6-S: 45.0% AP ở tốc độ 484 khung hình / giây
• YOLOv6-M: 50.0% AP ở tốc độ 226 khung hình/giây
• YOLOv6-L: 52,8% AP ở tốc độ 116 khung hình / giây
• YOLOv6-L6: Độ chính xác hiện đại trong các tình huống thời gian thực

Các mô hình này được đánh giá trên tập dữ liệu COCO bằng cách sử dụng NVIDIA T4 GPU . Để biết thêm về số liệu hiệu suất, hãy xem phần Số liệu hiệu suất .

Chiến lược Đào tạo Hỗ trợ Neo (AAT) mang lại lợi ích như thế nào cho YOLOv6?

Anchor-Aided Training (AAT) trong YOLOv6 kết hợp các yếu tố của phương pháp tiếp cận dựa trên neo và không có neo, tăng cường khả năng phát hiện của mô hình mà không ảnh hưởng đến hiệu quả suy luận. Chiến lược này tận dụng các neo trong quá trình đào tạo để cải thiện dự đoán hộp giới hạn , giúp 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 các chế độ hoạt động khác nhau bao gồm Suy luận, Xác nhận, Đào tạo 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. Kiểm tra phần Tác vụ và Chế độ được hỗ trợ để biết tổng quan chi tiết về từng chế độ.

📅 Được tạo ra cách đây 1 năm ✏️ Đã cập nhật cách đây 1 tháng

Ý kiến