Link to this sectionMeituan YOLOv6#
Link to this sectionTổng quan#
Meituan YOLOv6, được phát hành vào năm 2022, mang lại sự cân bằng tối ưu giữa tốc độ và độ chính xác, trở thành lựa chọn phổ biến cho các ứng dụng thời gian thực. Model này giới thiệu một số cải tiến đáng chú ý về kiến trúc và cơ chế huấn luyện, bao gồm việc triển khai mô-đun Bi-directional Concatenation (BiC), chiến lược huấn luyện anchor-aided training (AAT), cùng với thiết kế backbone và neck được cải tiến để đạt độ chính xác cao 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 mang lại những cải thiện đáng kể về hiệu suất. (a) Phần neck của YOLOv6 (hiển thị N và S). Lưu ý đối với M/L, RepBlocks được thay thế bằng CSPStackRep. (b) Cấu trúc của một module BiC. (c) Một khối SimCSPSPPF. (nguồn).
Link to this sectionTính năng chính#
- Module Bi-directional Concatenation (BiC): YOLOv6 giới thiệu module BiC trong phần neck của detector, giúp tăng cường tín hiệu định vị và mang lại hiệu suất vượt trội với mức suy giảm tốc độ không đáng kể.
- Chiến lược Anchor-Aided Training (AAT): Mô hình này đề xuất AAT để tận dụng ưu điểm của cả hai mô hình anchor-based và anchor-free mà không làm ảnh hưởng đến hiệu quả suy luận.
- Thiết kế Backbone và Neck nâng cao: Bằng cách mở rộng chiều sâu của YOLOv6 với thêm một tầng trong backbone và neck, mô hình này đạt được hiệu suất mạnh mẽ trên tập dữ liệu COCO với đầu vào độ phân giải cao ngay khi ra mắt.
- Chiến lược tự chưng cất (Self-Distillation): Một chiến lược tự chưng cất mới được triển khai để tăng cường hiệu suất cho các mô hình YOLOv6 nhỏ hơn, giúp cải thiện nhánh hồi quy phụ trong quá trình huấn luyện và loại bỏ nó ở giai đoạn suy luận để tránh sụt giảm tốc độ đáng kể.
Link to this sectionChỉ số hiệu suất#
YOLOv6 cung cấp các mô hình được huấn luyện sẵn với nhiều quy mô khác nhau:
- YOLOv6-N: 37.5% AP trên COCO val2017 ở 1187 FPS với GPU NVIDIA T4.
- 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 dẫn đầu trong thời gian thực.
YOLOv6 cũng cung cấp các mô hình đã được lượng tử hóa cho các độ chính xác khác nhau và các mô hình được tối ưu hóa cho nền tảng di động.
Link to this sectionVí dụ Sử dụng#
Ví dụ này cung cấp các hướng dẫn huấn luyện và suy luận đơn giản cho YOLOv6. Để xem tài liệu đầy đủ về các chế độ này và các chế độ khác, hãy tham khảo các trang tài liệu về Predict, Train, Val và Export.
Các tệp *.yaml của YOLOv6 có thể được truyền vào lớp YOLO() 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")Link to this sectionCác tác vụ và chế độ được hỗ trợ#
Dòng mô hình YOLOv6 cung cấp một loạt các phiên bản, mỗi phiên bản được tối ưu hóa cho tác vụ Object Detection hiệu năng cao. Những mô hình này đáp ứng các nhu cầu tính toán khác nhau và yêu cầu về độ chính xác, giúp chúng trở nên linh hoạt cho nhiều ứng dụng rộng rãi.
| Mô hình | Tên tệp | Tác vụ | Suy luận | Validation | Huấn luyện | Xuất (Export) |
|---|---|---|---|---|---|---|
| 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 tổng quan chi tiết về các biến thể mô hình YOLOv6, nêu bật khả năng của chúng trong các tác vụ object detection và tính tương thích với nhiều chế độ vận hành như Inference, Validation, Training và Export. Sự hỗ trợ toàn diện này đảm bảo người dùng có thể tận dụng tối đa khả năng của các mô hình YOLOv6 trong nhiều kịch bản phát hiện đối tượng khác nhau.
Link to this sectionTrích dẫn và Ghi nhận#
Chúng tôi xin ghi nhận các tác giả vì những đóng góp quan trọng của họ 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}
}Bài báo gốc về YOLOv6 có thể được tìm thấy trên arXiv. Các tác giả đã công bố công khai công trình của mình và cơ sở mã nguồn có thể được truy cập trên GitHub. Chúng tôi đánh giá cao nỗ lực của họ trong việc thúc đẩy lĩnh vực này và giúp cộng đồng rộng lớn hơn có thể tiếp cận công trình của họ.
Link to this sectionCâu hỏi thường gặp#
Link to this sectionMeituan YOLOv6 là gì và điều gì làm cho nó trở nên độc đáo?#
Meituan YOLOv6, ra mắt năm 2022, là một công cụ phát hiện đối tượng cân bằng giữa tốc độ và độ chính xác, được thiết kế cho các ứng dụng thời gian thực. Nó có các cải tiến kiến trúc đáng chú ý như module Bi-directional Concatenation (BiC) và chiến lược Anchor-Aided Training (AAT). Những cải tiến này mang lại sự gia tăng hiệu suất đáng kể với mức suy giảm tốc độ tối thiểu, khiến YOLOv6 trở thành một lựa chọn cạnh tranh cho các tác vụ phát hiện đối tượng.
Link to this sectionModule Bi-directional Concatenation (BiC) trong YOLOv6 cải thiện hiệu suất như thế nào?#
Module Bi-directional Concatenation (BiC) trong YOLOv6 tăng cường tín hiệu định vị trong phần neck của detector, mang lại sự cải thiện hiệu suất với tác động không đáng kể đến tốc độ. Module này kết hợp hiệu quả các feature maps khác nhau, nâng cao 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 Key Features.
Link to this sectionLàm thế nào để tôi có thể 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:
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)Để biết thêm thông tin, hãy truy cập trang Train.
Link to this sectionCác 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 tại 1187 FPS
- YOLOv6-S: 45.0% AP tại 484 FPS
- YOLOv6-M: 50.0% AP tại 226 FPS
- YOLOv6-L: 52.8% AP tại 116 FPS
- YOLOv6-L6: Độ chính xác dẫn đầu trong các kịch bản thời gian thực
Các mô hình này được đánh giá trên tập dữ liệu COCO sử dụng GPU NVIDIA T4. Để biết thêm về các chỉ số hiệu suất, hãy xem phần Performance Metrics.
Link to this sectionChiến lược Anchor-Aided Training (AAT) mang lại lợi ích gì cho YOLOv6?#
Chiến lược Anchor-Aided Training (AAT) trong YOLOv6 kết hợp các yếu tố của phương pháp anchor-based và anchor-free, tăng cường khả năng phát hiện của mô hình mà không làm giảm hiệu quả suy luận. Chiến lược này tận dụng các anchor trong quá trình huấn luyện để cải thiện các dự đoán bounding box, giúp YOLOv6 hiệu quả trong các tác vụ phát hiện đối tượng đa dạng.
Link to this sectionNhững chế độ vận hành nào được hỗ trợ bởi các mô hình YOLOv6 trong Ultralytics?#
YOLOv6 hỗ trợ nhiều chế độ vận hành bao gồm Inference, Validation, Training và Export. Sự linh hoạt này cho phép người dùng khai thác toàn bộ khả năng của mô hình trong các kịch bản khác nhau. Hãy xem phần Supported Tasks and Modes để biết tổng quan chi tiết về từng chế độ.