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月底發布的源碼，9月初終于發布了技術報告。細節部分歡迎去原文中扣，這里只做各部分的一些講解和個人理解。

---

目錄

摘要

一、介紹

二、方法介紹

2.1 網絡設計

2.2?標簽分配

2.3 損失函數

2.4 為了工業部署便利的相關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絡設計、訓練策略、測試技術、量化和優化方法的想法，就是說沒有什么很吸睛的創新，就是一堆縫合。然后說明，yolo作者已經慷慨許可了他們把這個算法命名為yolov6（因此不要說他們蹭熱度了）。

? ? ? ? ?關于精度和性能對比，看下面這張圖就差不多明白了。

一、介紹

? ? ? ? 介紹了yolov6出來的動機和背景：

? ? ? ? （1）來自RepVGG的重參數化是一種優越的技術，在檢測（已有的yolo版本）中尚未得到很好的利用（實際上同時期的yolov7里也用到了）。同時，作者認為小型網絡和大型網絡不一樣，對大型網絡來說，對RepVGG塊進行簡單地模型縮放不切實際。

? ? ? ? （2）基于重參數化的檢測器的量化也要調整

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

? ? ? ? （4）新的標簽分配和損失函數出來啦，得試試

? ? ? ? （5）加點新的策略tricks，不增加推理時間就行

? ? ? ? 總結yolov6的貢獻：

• ? ? ? ? 同時在分類和回歸中加入了自蒸餾策略
• ? ? ? ? 做了很多實驗驗證不同的標簽分配策略、損失函數、數據增強技術，找到了最好的組合

二、方法介紹

????????YOLOv6的新設計包括以下組件：網絡設計、標簽分配、損失函數、數據增強、為了工業方便的改進、量化和部署：

2.1 網絡設計

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

????????

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

（c）CSPStackRep塊的結構?

• ? ? ? ? Neck：參考YOLOv4和v5用的PAN，結合backbone里的RepBlock或者CSPStackRep，提出了一個Rep-PAN
• ? ? ? ? Head：類似YOLOX的解耦頭，更高效化了（微調）。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?標簽分配

? ? ? ?SimOTA的訓練太慢，而且容易陷入不穩定的訓練。 實驗發現TAL（Task alignment learning）更好。

2.3 損失函數

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

2.4 為了工業部署便利的相關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 訓練后量化（PTQ）和量化感知訓練（QAT）

總結

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站內容還不錯，歡迎將生活随笔推薦給好友。