Meituan YOLOv6#

概述#

Meituan YOLOv6 发布于 2022 年，在速度和准确率之间提供了极佳的平衡，使其成为实时应用的热门选择。该模型在其架构和训练方案上引入了多项显著改进，包括实现双向拼接（BiC）模块、锚框辅助训练（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，这些改进显著提升了性能。(1) YOLOv6 的颈部（显示了 N 和 S 版本）。注：对于 M/L 版本，RepBlocks 已替换为 CSPStackRep。(2) BiC 模块的结构。(3) SimCSPSPPF 模块。(来源)。

主要特性#

• 双向拼接 (BiC) 模块： YOLOv6 在检测器的颈部引入了 BiC 模块，增强了定位信号，并在几乎不降低速度的情况下实现了性能提升。
• 锚框辅助训练（AAT）策略： 该模型提出了 AAT，旨在兼顾基于锚框和无锚框两种范式的优点，同时不影响推理效率。
• 增强的 Backbone 和颈部设计： 通过加深 YOLOv6 以便在 backbone 和颈部中包含更多阶段，该模型在发布时于高分辨率输入下在 COCO dataset 上展现了强大的性能。
• 自蒸馏策略： 引入了一种新的自蒸馏策略来提升 YOLOv6 较小模型的性能，在训练过程中增强辅助回归分支，并在推理时将其移除，从而避免显著的速度下降。

性能指标#

YOLOv6 提供了各种不同规模的预训练模型：

• YOLOv6-N：在 NVIDIA T4 GPU 上，于 COCO val2017 数据集上达到 37.5% AP，速度为 1187 FPS。
• YOLOv6-S：45.0% AP，484 FPS。
• YOLOv6-M：50.0% AP，226 FPS。
• YOLOv6-L：52.8% AP，116 FPS。
• YOLOv6-L6：实时场景下的顶尖准确率。

YOLOv6 还针对不同精度提供了量化模型，并提供了针对移动端平台优化的模型。

使用示例#

本示例提供简单的 YOLOv6 训练和推理示例。有关这些以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

# 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")

支持的任务和模式#

YOLOv6 系列提供了一系列模型，每个模型都针对高性能目标检测进行了优化。这些模型可满足不同的计算需求和准确率要求，使其能够适应广泛的应用场景。

该表格详细概述了 YOLOv6 模型变体，突出了它们在目标检测任务中的功能，以及它们与各种操作模式（如推理、验证、训练和导出）的兼容性。这种全面的支持可确保用户在广泛的目标检测场景中充分发挥 YOLOv6 模型的各项功能。

引用与致谢#

我们希望感谢原作者在实时物体检测领域所做的重大贡献：

@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}
}

原始的 YOLOv6 论文可以在 arXiv 上找到。作者已将他们的工作公开发布，并且可以在 GitHub 上访问代码库。我们感谢他们在推动该领域发展以及使广大社区能够使用其工作方面所做出的努力。

常见问题解答#