CV之DL之YOLOv6：YOLOv6的简介、安装和使用方法、案例应用之详细攻略_yolov6的论文地址

地址

论文地址：https://arxiv.org/abs/2209.02976

时间

最初版本在2022年6月提出

2022年9月7日

作者

Chuyi Li, Lulu Li, Hongliang Jiang, Kaiheng Weng, Yifei Geng, Liang Li, Zaidan Ke, Qingyuan Li, Meng Cheng, Weiqiang Nie, Yiduo Li, Bo Zhang, Yufei Liang, Linyuan Zhou, Xiaoming Xu, Xiangxiang Chu, Xiaoming Wei, Xiaolin Wei

总结

这篇论文描述了一种单阶段目标检测框架YOLOv6，用于工业应用。

背景痛点：

>> 实时对象检测在工业应用中十分重要，需要既快速又准确。

>> 传统目标检测框架在速度和准确率之间需要权衡，难以满足工业实时要求。

具体解决方案：

>> YOLOv6融合了网络设计、训练策略、测试技术、量化与优化方法等最新成果，构建出多种规模的部署就绪网络。

>> 对比其他框架，YOLOv6网络结构更复杂而优化，例如添加跨层连接和空间注意力模块。

>> 采用进阶训练策略如动量校准、混合精度训练等提升学习效果。

>> 使用多尺度测试、自适应量化等手段同时提升速度和精度。

核心特点：

>> 实现实时检测要求速度和准确性。

>> 多种规模的网络可根据不同需求选择，满足个性化部署。

>> 相比同阶段其他主流检测器在速度和准确率上都有优势。

优势：

>> 精度在同阶段检测器中领先，达到35.9%的AP率。

>> 量化版本也保持较高精度43.3%的AP率，同时速度提升至869FPS。

>> YOLOv6框架各模块协同优化，在保持高精度的同时也提升了最大限度的检测速度。

For years, the YOLO series has been the de facto industry-level standard for efficient object detection. The YOLO community has prospered overwhelmingly to enrich its use in a multitude of hardware platforms and abundant scenarios. In this technical report, we strive to push its limits to the next level, stepping forward with an unwavering mindset for industry application.

Considering the diverse requirements for speed and accuracy in the real environment, we extensively examine the up-to-date object detection advancements either from industry or academia. Specifically, we heavily assimilate ideas from recent network design, training strategies, testing techniques, quantization, and optimization methods. On top of this, we integrate our thoughts and practice to build a suite of deployment-ready networks at various scales to accommodate diversified use cases. With the generous permission of YOLO authors, we name it YOLOv6. We also express our warm welcome to users and contributors for further enhancement. For a glimpse of performance, our YOLOv6-N hits 35.9% AP on the COCO dataset at a throughput of 1234 FPS on an NVIDIA Tesla T4 GPU. YOLOv6-S strikes 43.5% AP at 495 FPS, outperforming other mainstream detectors at the same scale~(YOLOv5-S, YOLOX-S, and PPYOLOE-S). Our quantized version of YOLOv6-S even brings a new state-of-the-art 43.3% AP at 869 FPS. Furthermore, YOLOv6-M/L also achieves better accuracy performance (i.e., 49.5%/52.3%) than other detectors with a similar inference speed. We carefully conducted experiments to validate the effectiveness of each component. Our code is made available at this https URL.

多年来，YOLO系列一直是高效目标检测的业界事实标准。YOLO社区极大地繁荣，丰富了其在多种硬件平台和丰富场景中的应用。在这份技术报告中，我们努力将其极限推向下一个水平，带着坚定的产业应用心态迈出了一步。

考虑到在真实环境中对速度和准确性的多样化要求，我们广泛研究了来自产业或学术界的最新目标检测进展。具体而言，我们大量吸收了最近的网络设计、训练策略、测试技术、量化和优化方法的思想。在此基础上，我们整合了自己的思考和实践，构建了一套可部署的、适应各种规模的网络，以适应多样化的用例。在YOLO作者的慷慨许可下，我们将其命名为YOLOv6，并对用户和贡献者表示热烈欢迎，期待进一步增强。关于性能的一瞥，我们的YOLOv6-N在NVIDIA Tesla T4 GPU上以1234 FPS的吞吐量在COCO数据集上达到了35.9%的AP。YOLOv6-S在495 FPS时取得了43.5%的AP，超过了同一规模的其他主流检测器（如YOLOv5-S、YOLOX-S和PPYOLOE-S）。我们的YOLOv6-S的量化版本甚至以869 FPS取得了43.3%的新的最先进AP。此外，YOLOv6-M/L在相似的推理速度下也取得了更好的准确性表现（即49.5%/52.3%），超过了其他同类检测器。我们仔细进行了实验证实每个组件的有效性。我们的代码可在此 https URL 上获取。