11 KiB

Raw Blame History

comments	description	keywords
true	Изучите Meituan YOLOv6 - современную модель обнаружения объектов, отличающуюся балансом между скоростью и точностью. Подробнее о функциях, предварительно обученных моделях и использовании Python.	Meituan YOLOv6, обнаружение объектов, Ultralytics, документация YOLOv6, двустороннее объединение, тренировка с использованием якорей, предварительно обученные модели, приложения в реальном времени

Meituan YOLOv6

Обзор

Meituan YOLOv6 - это передовая модель обнаружения объектов, которая отлично сочетает в себе скорость и точность, что делает ее популярным выбором для приложений в реальном времени. Эта модель включает несколько значимых улучшений в своей архитектуре и схеме обучения, включая внедрение модуля двустороннего объединения (BiC), стратегию тренировки с использованием якорей (AAT) и улучшенный дизайн базовой и верхней частей для достижения передовой точности на наборе данных COCO.

Обзор YOLOv6. Диаграмма архитектуры модели, показывающая переработанные компоненты сети и стратегии тренировки, которые приводят к значительному улучшению производительности. (a) Верхняя часть YOLOv6 (показаны N и S). Обратите внимание, что для M/L блок RepBlocks заменен на CSPStackRep. (b) Структура модуля BiC. (c) Блок SimCSPSPPF block. (исходник).

Основные функции

Модуль двустороннего объединения (BiC): YOLOv6 включает модуль BiC в верхнюю часть детектора, улучшая сигналы локализации и обеспечивая прирост производительности при минимальном снижении скорости.
Стратегия тренировки с использованием якорей (AAT): Эта модель предлагает AAT, чтобы воспользоваться преимуществами как якорных, так и бесконтурных парадигм без ущерба для эффективности вывода.
Улучшенный дизайн базовой и верхней частей: Путем расширения YOLOv6 за счет добавления еще одной стадии в базовую и верхнюю часть модели достигается передовая производительность на наборе данных COCO при высоком разрешении входных изображений.
Стратегия самостоятельной стабилизации: Внедряется новая стратегия самостоятельной стабилизации для повышения производительности меньших моделей YOLOv6, улучшая вспомогательное регрессионное ветвление во время тренировки и удаляя его во время вывода, чтобы избежать заметного снижения скорости.

Метрики производительности

YOLOv6 предоставляет несколько предварительно обученных моделей различных масштабов:

YOLOv6-N: 37.5% AP на наборе данных COCO val2017 при 1187 кадрах в секунду (FPS) с использованием графического процессора NVIDIA Tesla T4.
YOLOv6-S: 45.0% AP при 484 FPS.
YOLOv6-M: 50.0% AP при 226 FPS.
YOLOv6-L: 52.8% AP при 116 FPS.
YOLOv6-L6: Передовая точность в реальном времени.

YOLOv6 также предоставляет квантованные модели для разных точностей и модели, оптимизированные для мобильных платформ.

Примеры использования

В этом примере приведены простые примеры тренировки и вывода с использованием YOLOv6. Полная документация по этим и другим режимам доступна на страницах документации Predict, Train, Val и Export.

!!! Example "Пример"

=== "Python"

    Модели PyTorch, предварительно обученные с помощью файлов `*.pt`, а также файлы конфигурации `*.yaml` могут быть переданы в класс `YOLO()` для создания экземпляра модели на Python:

    ```python
    from ultralytics import YOLO

    # Построение модели YOLOv6n с нуля
    model = YOLO('yolov6n.yaml')

    # Отображение информации о модели (по желанию)
    model.info()

    # Тренировка модели на примере набора данных COCO8 в течение 100 эпох
    results = model.train(data='coco8.yaml', epochs=100, imgsz=640)

    # Вывод результатов с использованием модели YOLOv6n на изображении 'bus.jpg'
    results = model('path/to/bus.jpg')
    ```

=== "CLI"

    Доступны команды интерфейса командной строки для непосредственного запуска моделей:

    ```bash
    # Построение модели YOLOv6n с нуля и тренировка на примере набора данных COCO8 в течение 100 эпох
    yolo train model=yolov6n.yaml data=coco8.yaml epochs=100 imgsz=640

    # Построение модели YOLOv6n с нуля и вывод результатов на изображении 'bus.jpg'
    yolo predict model=yolov6n.yaml source=path/to/bus.jpg
    ```

Поддерживаемые задачи и режимы

Серия моделей YOLOv6 предлагает широкий выбор моделей с оптимизацией для обнаружения объектов высокой производительности. Они удовлетворяют различным вычислительным потребностям и требованиям точности, что делает их универсальными для широкого спектра приложений.

Тип модели	Предварительно обученные веса	Поддерживаемые задачи	Вывод результатов	Валидация	Тренировка	Экспорт
YOLOv6-N	`yolov6-n.pt`	Обнаружение объектов	✅	✅	✅	✅
YOLOv6-S	`yolov6-s.pt`	Обнаружение объектов	✅	✅	✅	✅
YOLOv6-M	`yolov6-m.pt`	Обнаружение объектов	✅	✅	✅	✅
YOLOv6-L	`yolov6-l.pt`	Обнаружение объектов	✅	✅	✅	✅
YOLOv6-L6	`yolov6-l6.pt`	Обнаружение объектов	✅	✅	✅	✅

Эта таблица предоставляет подробный обзор вариантов моделей YOLOv6, подчеркивая их возможности в задачах обнаружения объектов и совместимость с различными операционными режимами, такими как Вывод результатов, Валидация, Тренировка и Экспорт. Это обширная поддержка позволяет пользователям полностью использовать возможности моделей YOLOv6 в широком спектре сценариев обнаружения объектов.

Цитирования и благодарности

Мы хотели бы выразить благодарность авторам исследования за их значительный вклад в области обнаружения объектов в реальном времени:

!!! 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}
    }
    ```

Исходную статью об YOLOv6 можно найти на [arXiv](https://arxiv.org/abs/2301.05586). Авторы сделали свою работу общедоступной, и код доступен на [GitHub](https://github.com/meituan/YOLOv6). Мы ценим их усилия в развитии этой области и доступности их работы для широкого сообщества.

11 KiB Raw Blame History