Meituan YOLOv6#

概述#

Meituan YOLOv6 于 2022 年发布，在速度和准确率之间实现了良好平衡，因此成为实时应用的热门选择。该模型在架构和训练方案方面进行了多项重要改进，包括采用双向拼接 (BiC) 模块、锚点辅助训练 (AAT) 策略，以及改进的主干网络和颈部设计，从而在 COCO 数据集上实现高准确率。

YOLOv6 概览。模型架构图展示了经过重新设计的网络组件和训练策略，这些改进带来了显著的性能提升。(a) YOLOv6 的颈部（图中展示 N 和 S）。请注意，对于 M/L，RepBlocks 替换为 CSPStackRep。(b) BiC 模块的结构。(c) SimCSPSPPF 模块。(来源。

主要功能#

• 双向拼接 (BiC) 模块：YOLOv6 在检测器颈部引入了 BiC 模块，增强定位信号，并在速度几乎不受影响的情况下提升性能。
• 锚点辅助训练 (AAT) 策略：该模型提出了 AAT，使模型能够兼具基于锚点和无锚点范式的优势，同时不影响推理效率。
• 增强的主干网络和颈部设计：通过加深 YOLOv6，并在主干网络和颈部各增加一个阶段，该模型在发布时以高分辨率输入在 COCO 数据集上取得了出色表现。
• 自蒸馏策略：YOLOv6 采用了新的自蒸馏策略来提升较小模型的性能，在训练期间增强辅助回归分支，并在推理时将其移除，以避免速度明显下降。

性能指标#

YOLOv6 提供了不同规模的多种预训练模型：

• YOLOv6-N：在 COCO val2017 上 AP 为 37.5%，使用 NVIDIA T4 GPU 时速度为 1187 FPS。
• YOLOv6-S：AP 为 45.0%，速度为 484 FPS。
• YOLOv6-M：AP 为 50.0%，速度为 226 FPS。
• YOLOv6-L：AP 为 52.8%，速度为 116 FPS。
• YOLOv6-L6：实时场景下实现先进的准确率。

YOLOv6 还提供适用于不同精度的量化模型，以及针对移动平台优化的模型。

使用示例#

本示例提供了简单的 YOLOv6 训练和推理示例。如需查看这些及其他模式的完整文档，请参阅预测、训练、验证和导出文档页面。

from ultralytics import YOLO

# 从头开始构建 YOLOv6n 模型
model = YOLO("yolov6n.yaml")

# 显示模型信息（可选）
model.info()

# 使用 COCO8 示例数据集训练模型 100 个 epoch
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# 使用 YOLOv6n 模型对“bus.jpg”图像运行推理
results = model("path/to/bus.jpg")

支持的任务和模式#

YOLOv6 系列提供了多种模型，每种模型都针对高性能目标检测进行了优化。这些模型适用于不同的计算需求和准确率要求，因此可灵活应用于各种场景。

此表详细概述了 YOLOv6 的各个模型变体，重点展示它们在目标检测任务中的能力，以及与推理、验证、训练和导出等不同运行模式的兼容性。这种全面的支持确保用户能够在各种目标检测场景中充分发挥 YOLOv6 模型的能力。

引用与致谢#

我们谨此感谢作者在实时目标检测领域做出的重要贡献：

@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}
}

YOLOv6 原始论文可在 arXiv 上查阅。作者公开了他们的研究成果，代码库可在 GitHub 上访问。我们感谢他们为推动该领域发展所付出的努力，以及让更广泛的社区能够使用其成果。

常见问题#