paper地址：https://arxiv.org/abs/2209.02976

源碼github地址：GitHub - meituan/YOLOv6: YOLOv6: a single-stage object detection framework dedicated to industrial applications.

---

6月底發(fā)布的源碼，9月初終于發(fā)布了技術(shù)報(bào)告。細(xì)節(jié)部分歡迎去原文中扣，這里只做各部分的一些講解和個(gè)人理解。

---

目錄

摘要

一、介紹

二、方法介紹

2.1 網(wǎng)絡(luò)設(shè)計(jì)

2.2?標(biāo)簽分配

2.3 損失函數(shù)

2.4 為了工業(yè)部署便利的相關(guān)tricks

2.5 量化和部署

---

摘要

? ? ? ? 上來先說，yolov6大量地吸收了最近的網(wǎng)絡(luò)設(shè)計(jì)、訓(xùn)練策略、測試技術(shù)、量化和優(yōu)化方法的想法，就是說沒有什么很吸睛的創(chuàng)新，就是一堆縫合。然后說明，yolo作者已經(jīng)慷慨許可了他們把這個(gè)算法命名為yolov6（因此不要說他們蹭熱度了）。

? ? ? ? ?關(guān)于精度和性能對比，看下面這張圖就差不多明白了。

一、介紹

? ? ? ? 介紹了yolov6出來的動機(jī)和背景：

? ? ? ? （1）來自RepVGG的重參數(shù)化是一種優(yōu)越的技術(shù)，在檢測（已有的yolo版本）中尚未得到很好的利用（實(shí)際上同時(shí)期的yolov7里也用到了）。同時(shí)，作者認(rèn)為小型網(wǎng)絡(luò)和大型網(wǎng)絡(luò)不一樣，對大型網(wǎng)絡(luò)來說，對RepVGG塊進(jìn)行簡單地模型縮放不切實(shí)際。

? ? ? ? （2）基于重參數(shù)化的檢測器的量化也要調(diào)整

? ? ? ? （3）考慮真正的服務(wù)環(huán)境中的部署（以前的算法往往在高功耗的v100上比），我要換個(gè)平臺賽道比比

? ? ? ? （4）新的標(biāo)簽分配和損失函數(shù)出來啦，得試試

? ? ? ? （5）加點(diǎn)新的策略tricks，不增加推理時(shí)間就行

? ? ? ? 總結(jié)yolov6的貢獻(xiàn)：

• ? ? ? ? 同時(shí)在分類和回歸中加入了自蒸餾策略
• ? ? ? ? 做了很多實(shí)驗(yàn)驗(yàn)證不同的標(biāo)簽分配策略、損失函數(shù)、數(shù)據(jù)增強(qiáng)技術(shù)，找到了最好的組合

二、方法介紹

????????YOLOv6的新設(shè)計(jì)包括以下組件：網(wǎng)絡(luò)設(shè)計(jì)、標(biāo)簽分配、損失函數(shù)、數(shù)據(jù)增強(qiáng)、為了工業(yè)方便的改進(jìn)、量化和部署：

2.1 網(wǎng)絡(luò)設(shè)計(jì)

• ? ? ? ? Backbone：yolov6的小型網(wǎng)絡(luò)（跟v5和其他的版本一樣，yolov6提供yolov6-n、yolov6-s等好幾個(gè)規(guī)模的網(wǎng)絡(luò)）中，使用RepBlock為基本模塊；yolov6的大型網(wǎng)絡(luò)，用了他們自己修改的一個(gè)高效CSP塊，取名叫CSPStackRep塊。

????????

（a）和（b）表示了RepBlock，（a）表示訓(xùn)練的時(shí)候，RepVGG block接一個(gè)ReLU，（b）表示推理的時(shí)候，RepVGG塊被替換成了RepConv

（c）CSPStackRep塊的結(jié)構(gòu)?

• ? ? ? ? Neck：參考YOLOv4和v5用的PAN，結(jié)合backbone里的RepBlock或者CSPStackRep，提出了一個(gè)Rep-PAN
• ? ? ? ? Head：類似YOLOX的解耦頭，更高效化了（微調(diào)）。YOLOv6里采用的是anchor-free的檢測頭（YOLOX、FCOS），是anchor point-based，而不是keypoint-based

2.2?標(biāo)簽分配

? ? ? ?SimOTA的訓(xùn)練太慢，而且容易陷入不穩(wěn)定的訓(xùn)練。 實(shí)驗(yàn)發(fā)現(xiàn)TAL（Task alignment learning）更好。

2.3 損失函數(shù)

? ? ? ? 分類損失用的是VFL（VariFocal Loss），回歸損失用的是SIoU/GIoU

2.4 為了工業(yè)部署便利的相關(guān)tricks

? ? ? ? 更多的epoch、自蒸餾、圖片邊緣放置灰色邊界（有助于檢測邊界的object）

2.5 量化和部署

? ? ? ? 用了 訓(xùn)練后量化（PTQ）和量化感知訓(xùn)練（QAT）

總結(jié)

以上是生活随笔為你收集整理的YOLOv6: A Single-Stage Object Detection Framework for IndustrialApplications的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。