手把手教你运行yolov6 （小白版教程）_yolov6教程

#一、 yolov6的介绍

#二、yolov6的吐槽

#三、yolov6运行详解

前言

自己运行yolov6的完整教程

#一、 yolov6的介绍
我在此应用美团视觉部官方的说法叙述一下yolov6
YOLOv6 是美团视觉智能部研发的一款目标检测框架，致力于工业应用。本框架同时专注于检测的精度和推理效率，在工业界常用的尺寸模型中：YOLOv6-nano 在 COCO 上精度可达 35.0% AP，在 T4 上推理速度可达 1242 FPS；YOLOv6-s 在 COCO 上精度可达 43.1% AP，在 T4 上推理速度可达 520 FPS。在部署方面，YOLOv6 支持 GPU（TensorRT）、CPU（OPENVINO）、ARM（MNN、TNN、NCNN）等不同平台的部署，极大地简化工程部署时的适配工作。
YOLOv6 是美团视觉智能部研发的一款目标检测框架，致力于工业应用。本框架同时专注于检测的精度和推理效率，在工业界常用的尺寸模型中：YOLOv6-nano 在 COCO 上精度可达 35.0% AP，在 T4 上推理速度可达 1242 FPS；YOLOv6-s 在 COCO 上精度可达 43.1% AP，在 T4 上推理速度可达 520 FPS。在部署方面，YOLOv6 支持 GPU（TensorRT）、CPU（OPENVINO）、ARM（MNN、TNN、NCNN）等不同平台的部署，极大地简化工程部署时的适配工作。在 COCO 数据集上，YOLOv6 在精度和速度方面均超越其他同体量算法，相关结果如下图所示：

YOLOv6 各尺寸模型与其他模型性能对比

Hardware-friendly 的骨干网络设计
YOLOv5/YOLOX 使用的 Backbone 和 Neck 都基于 CSPNet[5] 搭建，采用了多分支的方式和残差结构。对于 GPU 等硬件来说，这种结构会一定程度上增加延时，同时减小内存带宽利用率。下图 2 为计算机体系结构领域中的 Roofline Model[8] 介绍图，显示了硬件中计算能力和内存带宽之间的关联关系。

基于硬件感知神经网络设计的思想，对 Backbone 和 Neck 进行了重新设计和优化。上述重新设计的两个检测部件，我们在 YOLOv6 中分别称为 EfficientRep Backbone 和 Rep-PAN Neck，其主要贡献点在于：\n\n引入了 RepVGG[4] style 结构。\n\n基于硬件感知思想重新设计了 Backbone 和 Neck。\n\nRepVGG[4] Style 结构是一种在训练时具有多分支拓扑，而在实际部署时可以等效融合为单个 3x3 卷积的一种可重参数化的结构（融合过程如下图 3 所示）。通过融合成的 3x3 卷积结构，可以有效利用计算密集型硬件计算能力（比如 GPU），同时也可获得 GPU/CPU 上已经高度优化的 NVIDIA cuDNN 和 Intel MKL 编译框架的帮助。

Backbone部分，提出了一种叫做 EfficientRep Backbone 的结构，结构图如下：

图里的RepConv，RepBlock，SimSPPF均为全新的结构，这里不作更细的探究。

在 Neck 设计方面，YOLOv6提出了一种命名为Rep-PAN的结构，结构示意图如下：

Decoupled Head
在检测头方面，YOLOv6借鉴了YOLOX的思路，采用了解耦检测头（Decoupled Head）结构，并对其进行精简。两者对比图如下：

训练方法的改进
Anchor-free 无锚范式
YOLOv6 采用了更简洁的 Anchor-free 检测方法。检测方法。由于 Anchor-based检测器需要在训练之前进行聚类分析以确定最佳 Anchor 集合，这会一定程度提高检测器的复杂度；同时，在一些边缘端的应用中，需要在硬件之间搬运大量检测结果的步骤，也会带来额外的延时。而 Anchor-free 无锚范式因其泛化能力强，解码逻辑更简单，在近几年中应用比较广泛。
SimOTA
为了获得更多高质量的正样本，YOLOv6 引入了 SimOTA 算法动态分配正样本，进一步提高检测精度。YOLOv5 的标签分配策略是基于 Shape 匹配，并通过跨网格匹配策略增加正样本数量，从而使得网络快速收敛，但是该方法属于静态分配方法，并不会随着网络训练的过程而调整。
SIoU
使用了一种全新的Iou_Loss，近年来，常用的边界框回归损失包括IoU、GIoU、CIoU、DIoU loss等等，这些损失函数通过考虑预测框与目标框之前的重叠程度、中心点距离、纵横比等因素来衡量两者之间的差距，从而指导网络最小化损失以提升回归
精度，但是这些方法都没有考虑到预测框与目标框之间方向的匹配性。SIoU 损失函数通过引入了所需回归之间的向量角度，重新定义了距离损失，有效降低了回归的自由度，加快网络收敛，进一步提升了回归精度。通过在 YOLOv6s 上采用 SIoU loss 进行实验，对比 CIoU loss，平均检测精度提升 0.3% AP。

#二、yolov6的吐槽
首先是网友们的吐槽：



我只能说美团视觉部不自量力，瞎搞，代码的BUG特别多，在yolov6出来不久之后yolov4的作者便发布了yolov7,于是yolov6就成了一个笑话，美团现在也没发出一篇yolov6的论文，这东西拿来玩玩，做做对比实验吧。

#三、yolov6运行详解
准备工作

1. GPU的准备
   我们需要租用一块GPU用来跑yolov6,这里推荐使用AutoDL平台，租用价格大约为100元。网址如下：https://www.autodl.com/home
   我们需要租用的GPU型号为

2. 数据集的准备
这里使用的是口罩数据集，数据集格式如下：

train中包含images和labels文件夹images包含图片，labels包含标签，val中同样也是。
3,。 pycharm的配置
用pycharm打开yolov6的工程

远程连接服务器，在选择解释器里点击添加，选择ssh,在AutoDL平台上的登录指令格式如下ssh -p 端口号＠XXXXX

主机：＠后面的XXX
用户名：root
端口号：－p后面的数字
接下来输入密码

连接服务器后，找到root/minconda3/python作为解释器，不要Python3

点击完成应用，在工具中点击自动上传，修改myself.yaml文件

将names:改成[‘mask’,‘no-mask’],接下来上传权重和数据集，这里使用的是filezilla,使用方法有很多

在上传完成之后，我们需要更改myself.yaml中的路径地址换成终端里的地址

出现报错，不知道怎么办从来，然后发现将train.py和infer.py单独上传

接下来会缺少包，我们需要再远程终端中下载

启动SSH会话进入终端，下载如下包。

接下来出现如下错误

原因我很无语，美团我就不问候他了

这里改成yolov6，然后我们进行训练显示找不到数据集，经过查找文档发现yolov6格式不同于yolov5和yolov7，我们修改后重新上传。

v6不需要使用images文件夹，将以前images中的train和val文件夹图片与labels文件放在同一个目录就可以了

接下来运行train.py，运行成功后

找到best_ckpt.pt权重替换原来的yolov6s.pt就可以进行训练了！

还有一些常见错误，大家可以看这篇博客。
http://t.csdn.cn/sApoW
特别感谢对卿云阁我的帮助
大家多多关注，打赏他。