7.6 KiB

Raw Blame History

comments	description	keywords
true	Explora Meituan YOLOv6, un modelo de detección de objetos de última generación que logra un equilibrio entre velocidad y precisión. Sumérgete en características, modelos pre-entrenados y el uso de Python.	Meituan YOLOv6, detección de objetos, Ultralytics, documentación de YOLOv6, Concatenación Bidireccional, Entrenamiento con Anclas, modelos pre-entrenados, aplicaciones en tiempo real

Meituan YOLOv6

Visión general

Meituan YOLOv6 es un detector de objetos de última generación que ofrece un notable equilibrio entre velocidad y precisión, lo que lo convierte en una opción popular para aplicaciones en tiempo real. Este modelo presenta varias mejoras notables en su arquitectura y esquema de entrenamiento, que incluyen la implementación de un módulo de Concatenación Bidireccional (BiC), una estrategia de entrenamiento con anclas (AAT) y un diseño de columna vertebral y cuello mejorado para lograr una precisión de última generación en el conjunto de datos COCO.

Visión general de YOLOv6. Diagrama de la arquitectura del modelo que muestra los componentes de la red redesdiseñados y las estrategias de entrenamiento que han llevado a mejoras significativas en el rendimiento. (a) El cuello de YOLOv6 (N y S se muestran). Señalar que, en M/L, RepBlocks es reemplazado por CSPStackRep. (b) La estructura de un módulo BiC. (c) Un bloque SimCSPSPPF. (fuente).

Características clave

Módulo de Concatenación Bidireccional (BiC): YOLOv6 introduce un módulo de BiC en el cuello del detector, mejorando las señales de localización y ofreciendo mejoras en el rendimiento con una degradación de velocidad despreciable.
Estrategia de Entrenamiento con Anclas (AAT): Este modelo propone AAT para disfrutar de los beneficios de los paradigmas basados en anclas y sin anclas sin comprometer la eficiencia de inferencia.
Diseño de Columna Vertebral y Cuello Mejorado: Al profundizar en YOLOv6 para incluir otra etapa en la columna vertebral y el cuello, este modelo logra un rendimiento de última generación en el conjunto de datos COCO con una entrada de alta resolución.
Estrategia de Auto-Destilación: Se implementa una nueva estrategia de auto-destilación para mejorar el rendimiento de los modelos más pequeños de YOLOv6, mejorando la rama de regresión auxiliar durante el entrenamiento y eliminándola durante la inferencia para evitar una marcada disminución de velocidad.

Métricas de rendimiento

YOLOv6 proporciona varios modelos pre-entrenados con diferentes escalas:

YOLOv6-N: 37.5% de precisión promedio (AP) en COCO val2017 a 1187 FPS con la GPU NVIDIA Tesla T4.
YOLOv6-S: 45.0% de AP a 484 FPS.
YOLOv6-M: 50.0% de AP a 226 FPS.
YOLOv6-L: 52.8% de AP a 116 FPS.
YOLOv6-L6: Precisión de última generación en tiempo real.

YOLOv6 también proporciona modelos cuantizados para diferentes precisiones y modelos optimizados para plataformas móviles.

Ejemplos de uso

Este ejemplo proporciona ejemplos sencillos de entrenamiento e inferencia con YOLOv6. Para obtener documentación completa sobre estos y otros modos, consulta las páginas de documentación de Predict, Train, Val y Export.

!!! Example "Ejemplo"

=== "Python"

    Los modelos pre-entrenados en `*.pt` de PyTorch, así como los archivos de configuración `*.yaml`, se pueden pasar a la clase `YOLO()` para crear una instancia del modelo en Python:

    ```python
    from ultralytics import YOLO

    # Construir un modelo YOLOv6n desde cero
    modelo = YOLO('yolov6n.yaml')

    # Mostrar información del modelo (opcional)
    modelo.info()

    # Entrenar el modelo en el conjunto de datos de ejemplo COCO8 durante 100 epochs
    resultados = modelo.train(data='coco8.yaml', epochs=100, imgsz=640)

    # Ejecutar inferencia con el modelo YOLOv6n en la imagen 'bus.jpg'
    resultados = modelo('path/to/bus.jpg')
    ```

=== "CLI"

    Se dispone de comandos de línea de comandos (CLI) para ejecutar directamente los modelos:

    ```bash
    # Construir un modelo YOLOv6n desde cero y entrenarlo en el conjunto de datos de ejemplo COCO8 durante 100 epochs
    yolo train model=yolov6n.yaml data=coco8.yaml epochs=100 imgsz=640

    # Construir un modelo YOLOv6n desde cero y ejecutar inferencia en la imagen 'bus.jpg'
    yolo predict model=yolov6n.yaml source=path/to/bus.jpg
    ```

Tareas y Modos Soportados

La serie YOLOv6 ofrece una variedad de modelos, cada uno optimizado para Detección de Objetos de alto rendimiento. Estos modelos se adaptan a distintas necesidades computacionales y requisitos de precisión, lo que los hace versátiles para una amplia gama de aplicaciones.

Tipo de Modelo	Pesos Pre-entrenados	Tareas Soportadas	Inferencia	Validación	Entrenamiento	Exportación
YOLOv6-N	`yolov6-n.pt`	Detección de Objetos	✅	✅	✅	✅
YOLOv6-S	`yolov6-s.pt`	Detección de Objetos	✅	✅	✅	✅
YOLOv6-M	`yolov6-m.pt`	Detección de Objetos	✅	✅	✅	✅
YOLOv6-L	`yolov6-l.pt`	Detección de Objetos	✅	✅	✅	✅
YOLOv6-L6	`yolov6-l6.pt`	Detección de Objetos	✅	✅	✅	✅

Esta tabla proporciona una descripción detallada de las variantes del modelo YOLOv6, destacando sus capacidades en tareas de detección de objetos y su compatibilidad con varios modos operativos como Inferencia, Validación, Entrenamiento y Exportación. Este soporte integral garantiza que los usuarios puedan aprovechar al máximo las capacidades de los modelos YOLOv6 en una amplia gama de escenarios de detección de objetos.

Citaciones y Agradecimientos

Nos gustaría agradecer a los autores por sus importantes contribuciones en el campo de la detección de objetos en tiempo real:

!!! 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}
    }
    ```

Se puede encontrar el artículo original de YOLOv6 en [arXiv](https://arxiv.org/abs/2301.05586). Los autores han puesto su trabajo a disposición del público y el código fuente se puede acceder en [GitHub](https://github.com/meituan/YOLOv6). Agradecemos sus esfuerzos en avanzar en el campo y hacer que su trabajo sea accesible para la comunidad en general.

7.6 KiB Raw Blame History