绝了，超越YOLOv7、v8,YOLOv6 v3.0正式发布
超越YOLOv7、v8! YOLOv6 v3.0正式发布!!!
YOLOv6 全新版本v3.0正式发布！
引入新的网络架构和训练方案，其中YOLOv6-S以484 FPS的速度达到45.0% AP，超过YOLOv5-S、YOLOv8-S，其代码刚刚开源
由于前段时间Ultralytics公司透露出V8的发布消息，美团也坐不住了，YOLO社区一直情绪高涨！
随着中国农历新年2023（兔年）的到来，美团技术团队对YOLOv6进行了许多新的网络架构和训练方案的改进。此版本标识为YOLOv6 v3.0。
论文代码都已经开源！！！
GitHub地址：https://github.com/meituan/YOLOv6
论文地址：https://arxiv.org/abs/2301.05586
论文
摘要：
自我们的前两个版本以来，YOLO社区一直处于高涨的情绪中 在2023年兔年到来之际，我们对YOLOv6的网络架构和训练方案进行了许多新的改进。这个版本被确定为YOLOv6 v3.0。对于性能的一瞥，我们的YOLOv6N在COCO数据集上达到了37.5%的AP，用NVIDIA Tesla T4 GPU测试的吞吐量为1187 FPS。YOLOv6S在484 FPS的情况下达到了45.0%的AP，超过了其他相同规模的主流检测器（YOLOv5-S、YOLOv8S、YOLOX-S和PPYOLOE-S）。而YOLOv6-M/L在相似的推理速度下，也比其他检测器取得了更好的准确性表现（分别为50.0%/52.8%）。此外，通过扩展骨干和颈部设计，我们的YOLOv6-L6实现了最先进的实时准确性。我们仔细进行了广泛的实验，以验证每个改进组件的有效性。我们的代码可在https://github.com/meituan/YOLOv6提供。
网络结构改进
YOLOv6的颈部（图中是N和S）。注意M/L，RepBlocks被替换为CSPStackRep。 (b) 一个BiC模块的结构。(c) 一个SimCSPSPPF块。
具体更新如下：
- 检测器的颈部更新了一个双向的串联（BiC）模块，以提供更准确的定位信号。SPPF[5]被简化成SimCSPSPPF块，它带来了性能上的提升，而速度上的下降可以忽略不计。
- 提出了一种锚辅助训练（AA T）策略，在不触及推理效率的前提下，享受基于锚和无锚范式的优势。
- 深化了YOLOv6，使其在骨干和颈部有了另一个阶段，这加强了它在高分辨率输入的COCO数据集上达到了新的最先进的性能。
-
涉及到一种新的自我蒸馏策略，以提高YOLOv6小模型的性能，其中DFL[8]的较重分支在训练期间被作为增强的辅助回归分支，并在推理时被移除，以避免速度明显下降。
具体的更新思路可以查看论文。
新旧模型对比
v3.0版本
| 模型 | 输入尺寸 | mAPval 0.5:0.95 | 速度T4 trt fp16 b1 (fps) | 速度T4 trt fp16 b32 (fps) | Params (M) | FLOPs (G) |
|---|---|---|---|---|---|---|
| YOLOv6-N | 640 | 37.5 | 779 | 1187 | 4.7 | 11.4 |
| YOLOv6-S | 640 | 45.0 | 339 | 484 | 18.5 | 45.3 |
| YOLOv6-M | 640 | 50.0 | 175 | 226 | 34.9 | 85.8 |
| YOLOv6-L | 640 | 52.8 | 98 | 116 | 59.6 | 150.7 |
| YOLOv6-N6 | 1280 | 44.9 | 228 | 281 | 10.4 | 49.8 |
| YOLOv6-S6 | 1280 | 50.3 | 98 | 108 | 41.4 | 198.0 |
| YOLOv6-M6 | 1280 | 55.2 | 47 | 55 | 79.6 | 379.5 |
| YOLOv6-L6 | 1280 | 57.2 | 26 | 29 | 140.4 | 673.4 |
- 除了 YOLOv6-N6/S6 模型是训练了300轮的结果，其余模型均为自蒸馏训练之后的结果；
- mAP 和速度指标是在 COCO val2017 数据集上评估的，P5模型输入分辨率为 640×640，P6模型输入分辨率为 1280×1280；
- 速度是在 T4 上测试的，TensorRT 版本为 7.2；
- 复现 YOLOv6 的速度指标，请查看 速度测试 教程；
- YOLOv6 的参数和计算量是在推理模式下计算的；
旧版模型
| 模型 | 输入尺寸 | mAPval 0.5:0.95 | 速度T4 trt fp16 b1 (fps) | 速度T4 trt fp16 b32 (fps) | Params (M) | FLOPs (G) |
|---|---|---|---|---|---|---|
| YOLOv6-N | 640 | 35.9300e 36.3400e | 802 | 1234 | 4.3 | 11.1 |
| YOLOv6-T | 640 | 40.3300e 41.1400e | 449 | 659 | 15.0 | 36.7 |
| YOLOv6-S | 640 | 43.5300e 43.8400e | 358 | 495 | 17.2 | 44.2 |
| YOLOv6-M | 640 | 49.5 | 179 | 233 | 34.3 | 82.2 |
| YOLOv6-L-ReLU | 640 | 51.7 | 113 | 149 | 58.5 | 144.0 |
| YOLOv6-L | 640 | 52.5 | 98 | 121 | 58.5 | 144.0 |
- 速度是在 T4 上测试的，TensorRT 版本为 7.2；
量化模型
| 模型 | 输入尺寸 | 精度 | mAPval 0.5:0.95 | 速度T4 trt b1 (fps) | 速度T4 trt b32 (fps) |
|---|---|---|---|---|---|
| YOLOv6-N RepOpt | 640 | INT8 | 34.8 | 1114 | 1828 |
| YOLOv6-N | 640 | FP16 | 35.9 | 802 | 1234 |
| YOLOv6-T RepOpt | 640 | INT8 | 39.8 | 741 | 1167 |
| YOLOv6-T | 640 | FP16 | 40.3 | 449 | 659 |
| YOLOv6-S RepOpt | 640 | INT8 | 43.3 | 619 | 924 |
| YOLOv6-S | 640 | FP16 | 43.5 | 377 | 541 |
- 速度是在 T4 上测试的，TensorRT 版本为 8.4；
- 精度是在训练 300 epoch 的模型上测试的；
快速开始
安装
git clone https://github.com/meituan/YOLOv6
cd YOLOv6
pip install -r requirements.txt在coco数据集上复现请参考教程 训练 COCO 数据集.
在自定义数据集上微调模型
单卡
# P5 models
python tools/train.py --batch 32 --conf configs/yolov6s_finetune.py --data data/dataset.yaml --fuse_ab --device 0
# P6 models
python tools/train.py --batch 32 --conf configs/yolov6s6_finetune.py --data data/dataset.yaml --img 1280 --device 0多卡（推荐使用DDP模式）
# P5 models
python -m torch.distributed.launch --nproc_per_node 8 tools/train.py --batch 256 --conf configs/yolov6s_finetune.py --data data/dataset.yaml --fuse_ab --device 0,1,2,3,4,5,6,7
# P6 models
python -m torch.distributed.launch --nproc_per_node 8 tools/train.py --batch 128 --conf configs/yolov6s6_finetune.py --data data/dataset.yaml --img 1280 --device 0,1,2,3,4,5,6,7- fuse_ab: 增加anchor-based预测分支并使用联合锚点训练模式 (P6模型暂不支持此功能)
- conf: 配置文件路径，里面包含网络结构、优化器配置、超参数信息。如果您是在自己的数据集训练，我们推荐您使用yolov6n/s/m/l_finetune.py配置文件；
- data: 数据集配置文件，以 COCO 数据集为例，您可以在 COCO 下载数据, 在这里下载 YOLO 格式标签；
- 确保您的数据集按照下面这种格式来组织；
├── coco
│ ├── annotations
│ │ ├── instances_train2017.json
│ │ └── instances_val2017.json
│ ├── images
│ │ ├── train2017
│ │ └── val2017
│ ├── labels
│ │ ├── train2017
│ │ ├── val2017其它详情请看： GitHub地址：https://github.com/meituan/YOLOv6
最后附一篇详细的介绍文章：超越YOLOv8！| YOLOv6 v3.0正式来袭！