7.3 KiB

Raw Blame History

comments	description	keywords
true	Explore Meituan YOLOv6, um modelo avançado de detecção de objetos que alcança um equilíbrio entre velocidade e precisão. Saiba mais sobre suas características, modelos pré-treinados e uso em Python.	Meituan YOLOv6, detecção de objetos, Ultralytics, documentação YOLOv6, Concatenação Bidirecional, Treinamento Assistido por Âncora, modelos pré-treinados, aplicações em tempo real

Meituan YOLOv6

Visão Geral

O Meituan YOLOv6 é um detector de objetos de ponta que oferece um equilíbrio notável entre velocidade e precisão, tornando-se uma escolha popular para aplicações em tempo real. Este modelo apresenta várias melhorias em sua arquitetura e esquema de treinamento, incluindo a implementação de um módulo de Concatenação Bidirecional (BiC), uma estratégia de treinamento assistido por âncora (AAT) e um design aprimorado de espinha dorsal e pescoço para obter precisão de última geração no conjunto de dados COCO.

Visão geral do YOLOv6. Diagrama da arquitetura do modelo mostrando os componentes de rede redesenhados e as estratégias de treinamento que levaram a melhorias significativas no desempenho. (a) O pescoço do YOLOv6 (N e S são mostrados). RepBlocks é substituída por CSPStackRep para M/L. (b) A estrutura de um módulo BiC. (c) Um bloco SimCSPSPPF. (fonte).

Principais Características

Módulo de Concatenação Bidirecional (BiC): O YOLOv6 introduz um módulo BiC no pescoço do detector, aprimorando os sinais de localização e oferecendo ganhos de desempenho com uma degradação de velocidade insignificante.
Estratégia de Treinamento Assistido por Âncora (AAT): Este modelo propõe AAT para aproveitar os benefícios dos paradigmas baseados em âncoras e sem âncoras sem comprometer a eficiência da inferência.
Design de Espinha Dorsal e Pescoço Aprimorado: Ao aprofundar o YOLOv6 para incluir mais uma etapa na espinha dorsal e no pescoço, este modelo alcança desempenho de última geração no conjunto de dados COCO com entrada de alta resolução.
Estratégia de Auto-Destilação: Uma nova estratégia de auto-destilação é implementada para aumentar o desempenho de modelos menores do YOLOv6, aprimorando o ramo auxiliar de regressão durante o treinamento e removendo-o durante a inferência para evitar uma queda significativa na velocidade.

Métricas de Desempenho

O YOLOv6 fornece vários modelos pré-treinados com diferentes escalas:

YOLOv6-N: 37,5% AP na val2017 do COCO a 1187 FPS com 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: Precisão de última geração em tempo real.

O YOLOv6 também fornece modelos quantizados para diferentes precisões e modelos otimizados para plataformas móveis.

Exemplos de Uso

Este exemplo fornece exemplos simples de treinamento e inferência do YOLOv6. Para documentação completa sobre esses e outros modos, consulte as páginas de documentação Predict, Train, Val e Export.

!!! Example "Exemplo"

=== "Python"

    Modelos pré-treinados `*.pt` do PyTorch, assim como arquivos de configuração `*.yaml`, podem ser passados à classe `YOLO()` para criar uma instância do modelo em Python:

    ```python
    from ultralytics import YOLO

    # Constrói um modelo YOLOv6n do zero
    model = YOLO('yolov6n.yaml')

    # Exibe informações do modelo (opcional)
    model.info()

    # Treina o modelo no conjunto de dados de exemplo COCO8 por 100 épocas
    results = model.train(data='coco8.yaml', epochs=100, imgsz=640)

    # Executa inferência com o modelo YOLOv6n na imagem 'bus.jpg'
    results = model('caminho/para/onibus.jpg')
    ```

=== "CLI"

    Comandos da CLI estão disponíveis para executar diretamente os modelos:

    ```bash
    # Constrói um modelo YOLOv6n do zero e o treina no conjunto de dados de exemplo COCO8 por 100 épocas
    yolo train model=yolov6n.yaml data=coco8.yaml epochs=100 imgsz=640

    # Constrói um modelo YOLOv6n do zero e executa inferência na imagem 'bus.jpg'
    yolo predict model=yolov6n.yaml source=caminho/para/onibus.jpg
    ```

Tarefas e Modos Suportados

A série YOLOv6 oferece uma variedade de modelos, cada um otimizado para Detecção de Objetos de alta performance. Esses modelos atendem a diferentes necessidades computacionais e requisitos de precisão, tornando-os versáteis para uma ampla variedade de aplicações.

Tipo de Modelo	Pesos Pré-treinados	Tarefas Suportadas	Inferência	Validação	Treinamento	Exportação
YOLOv6-N	`yolov6-n.pt`	Detecção de Objetos	✅	✅	✅	✅
YOLOv6-S	`yolov6-s.pt`	Detecção de Objetos	✅	✅	✅	✅
YOLOv6-M	`yolov6-m.pt`	Detecção de Objetos	✅	✅	✅	✅
YOLOv6-L	`yolov6-l.pt`	Detecção de Objetos	✅	✅	✅	✅
YOLOv6-L6	`yolov6-l6.pt`	Detecção de Objetos	✅	✅	✅	✅

Esta tabela fornece uma visão geral detalhada das variantes do modelo YOLOv6, destacando suas capacidades em tarefas de detecção de objetos e sua compatibilidade com vários modos operacionais, como inferência, validação, treinamento e exportação. Esse suporte abrangente garante que os usuários possam aproveitar totalmente as capacidades dos modelos YOLOv6 em uma ampla gama de cenários de detecção de objetos.

Citações e Agradecimentos

Gostaríamos de agradecer aos autores por suas contribuições significativas no campo da detecção de objetos em tempo 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}
    }
    ```

O artigo original do YOLOv6 pode ser encontrado no [arXiv](https://arxiv.org/abs/2301.05586). Os autores disponibilizaram publicamente seu trabalho, e o código pode ser acessado no [GitHub](https://github.com/meituan/YOLOv6). Agradecemos seus esforços em avançar no campo e disponibilizar seu trabalho para a comunidade em geral.

7.3 KiB Raw Blame History