7.2 KiB

Raw Blame History

comments	description	keywords
true	최첨단 물체 감지(오브젝트 디텍션) 모델인 'Meituan YOLOv6'을 알아보세요. 속도와 정확도 사이의 균형을 유지하는 이 모델은 실시간 애플리케이션에 인기 있는 선택입니다. 이 모델은 BiC(Bi-directional Concatenation) 모듈, AAT(Anchor-Aided Training) 전략, COCO 데이터셋에서 최첨단 정확도를 실현하기 위한 개선된 백본(backbone) 및 네크(neck) 설계 등에 대한 여러 주목할만한 향상 사항을 도입하고 있습니다.	Meituan YOLOv6, 오브젝트 디텍션, Ultralytics, YOLOv6 문서, Bi-directional Concatenation, Anchor-Aided Training, 사전 훈련 모델, 실시간 애플리케이션

Meituan YOLOv6

개요

Meituan YOLOv6은 속도와 정확도 사이에서 현저한 균형을 제공하는 최첨단 물체 감지기입니다. 이 모델은 Bi-directional Concatenation(BiC) 모듈, Anchor-Aided Training(AAT) 전략, 그리고 COCO 데이터셋에서 최첨단 정확도를 실현하기 위한 개선된 백본(backbone) 및 네크(neck) 디자인 등, 아키텍처와 훈련 방식에 대한 여러 주목할만한 향상 사항을 제공합니다.

YOLOv6 개요. 아키텍처 다이어그램으로, 다시 설계된 네트워크 구성 요소와 훈련 전략이 중요한 성능 개선을 이끈 모습을 보여줍니다. (a) YOLOv6의 네크(neck) (N과 S 표시)입니다. M/L의 경우, RepBlocks은 CSPStackRep으로 대체됩니다. (b) BiC 모듈의 구조입니다. (c) SimCSPSPPF 블록입니다. (출처).

주요 특징

Bi-directional Concatenation (BiC) 모듈: YOLOv6은 감지기(neck)에 BiC 모듈을 도입하여 위치 신호(localization signals)를 강화하고 성능을 향상시키는데, 속도 저하가 거의 없습니다.
Anchor-Aided Training (AAT) 전략: 이 모델은 추론 효율을 저하시키지 않고 앵커 기반(anchor-based)과 앵커 없음(anchor-free) 패러다임의 이점을 모두 누릴 수 있도록 AAT를 제안합니다.
개선된 백본 및 네크 디자인: YOLOv6을 백본과 네크에 추가적인 단계를 포함하여 깊게 만들어 COCO 데이터셋에서 최첨단 성능을 달성합니다.
셀프 디스틸레이션 전략: YOLOv6의 작은 모델 성능을 강화하기 위해 새로운 셀프 디스틸레이션 전략이 도입되었습니다. 이는 훈련 중 보조 회귀 브랜치를 강화하고 추론 중에는 이를 제거하여 성능 저하를 방지합니다.

성능 메트릭

YOLOv6은 다양한 스케일의 사전 훈련 모델을 제공합니다:

YOLOv6-N: NVIDIA Tesla T4 GPU에서 1187 FPS로 COCO val2017에서 37.5% AP.
YOLOv6-S: 484 FPS로 45.0% AP.
YOLOv6-M: 226 FPS로 50.0% AP.
YOLOv6-L: 116 FPS로 52.8% AP.
YOLOv6-L6: 실시간에서 최첨단 정확성.

또한, YOLOv6은 다양한 정밀도에 대한 양자화 모델과 모바일 플랫폼에 최적화된 모델도 제공합니다.

사용 예시

다음은 간단한 YOLOv6 훈련 및 추론 예시입니다. 이 외에도 Predict, Train, Val, Export 문서 페이지에서 자세한 내용을 확인할 수 있습니다.

!!! Example "예제"

=== "Python"

    `*.pt` 사전 훈련된 PyTorch 모델과 구성 `*.yaml` 파일을 `YOLO()` 클래스에 전달하여 파이썬에서 모델 인스턴스를 만들 수 있습니다:

    ```python
    from ultralytics import YOLO

    # YOLOv6n 모델을 처음부터 만듭니다
    model = YOLO('yolov6n.yaml')

    # 모델 정보를 표시합니다 (선택 사항)
    model.info()

    # COCO8 예시 데이터셋으로 모델을 100 에폭 동안 훈련합니다
    results = model.train(data='coco8.yaml', epochs=100, imgsz=640)

    # YOLOv6n 모델로 'bus.jpg' 이미지에서 추론을 실행합니다
    results = model('path/to/bus.jpg')
    ```

=== "CLI"

    CLI 명령을 사용하여 모델을 직접 실행할 수 있습니다:

    ```bash
    # 처음부터 YOLOv6n 모델을 만들고 COCO8 예시 데이터셋으로 100 에폭 동안 훈련합니다
    yolo train model=yolov6n.yaml data=coco8.yaml epochs=100 imgsz=640

    # 처음부터 YOLOv6n 모델을 만들고 'bus.jpg' 이미지에서 추론을 실행합니다
    yolo predict model=yolov6n.yaml source=path/to/bus.jpg
    ```

지원되는 작업 및 모드

YOLOv6 시리즈는 높은 성능의 오브젝트 디텍션을 위해 최적화된 다양한 모델을 제공합니다. 이 모델들은 다양한 계산 요구 사항과 정확도 요구 사항에 맞추어 다용도로 사용할 수 있습니다.

모델 유형	사전 훈련 가중치	지원되는 작업	추론	검증	훈련	익스포트
YOLOv6-N	`yolov6-n.pt`	오브젝트 디텍션	✅	✅	✅	✅
YOLOv6-S	`yolov6-s.pt`	오브젝트 디텍션	✅	✅	✅	✅
YOLOv6-M	`yolov6-m.pt`	오브젝트 디텍션	✅	✅	✅	✅
YOLOv6-L	`yolov6-l.pt`	오브젝트 디텍션	✅	✅	✅	✅
YOLOv6-L6	`yolov6-l6.pt`	오브젝트 디텍션	✅	✅	✅	✅

이 표는 YOLOv6 모델의 다양한 변형에 대한 자세한 개요를 제공하며, 오브젝트 디텍션 작업과 추론, 검증, 훈련, 익스포트와 같은 다양한 운영 모드와의 호환성을 강조합니다. 이러한 포괄적인 지원을 통해 사용자들은 다양한 오브젝트 디텍션 시나리오에서 YOLOv6 모델의 기능을 최대한 활용할 수 있습니다.

인용 및 감사의 글

실시간 물체 감지 분야에서의 중요한 기여에 대해 작성자들에게 감사의 말씀을 전합니다:

!!! Quote ""

=== "BibTeX"

    ```bibtex
    @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}
    }
    ```

YOLOv6 원본 논문은 [arXiv](https://arxiv.org/abs/2301.05586)에서 찾을 수 있습니다. 작성자들이 자신의 작업을 공개하지 않았으며, 코드는 [GitHub](https://github.com/meituan/YOLOv6)에서 액세스할 수 있습니다. 우리는 그들의 노력과 업계 발전을 위해 노력해 널리 알려져 있게 한 저자들에게 감사의 말씀을 전합니다.

7.2 KiB Raw Blame History