YOLOv6 تنزيل - تنزيل رمز المصدر YOLOv6

YOLOv6

بايثون

v6-Segmentation

تنزيل

الإنجليزية | 简体中文

Yolov6

تنفيذ الورق:

yolov6 v3.0: إعادة تحميل شاملة
YOLOV6: إطار عمل للكشف عن الكائنات أحادية المرحلة للتطبيقات الصناعية

ما الجديد

[2023.09.15] إطلاق قسم التقسيم YOLOV6. أداء
[2023.04.28] تحرير نماذج yolov6lite على الهاتف المحمول أو وحدة المعالجة المركزية. ️ القياس المحمول
[2023.03.10] إطلاق YOLOV6-Face. أداء
[2023.03.02] تحديث النماذج الأساسية إلى الإصدار 3.0.
[2023.01.06] إصدار نماذج P6 ومعزز أداء نماذج P5. ️ المعيار
[2022.11.04] نماذج قاعدة الإصدار لتبسيط عملية التدريب والنشر.
[2022.09.06] طرق القياس الكمي المخصصة. كمية البرنامج التعليمي
[2022.09.05] نماذج الإصدار M/L وتحديث نماذج N/T/S مع الأداء المحسن.
[2022.06.23] نماذج الإصدار N/T/S بأداء ممتاز.

معيار

نموذج	مقاس	خريطة ^{فال 0.5: 0.95}	السرعة ^{T4 TRT FP16 B1 (FPS)}	السرعة ^{T4 TRT FP16 B32 (FPS)}	params ^(م)	يتخبط ^(ز)
Yolov6-N	640	37.5	779	1187	4.7	11.4
Yolov6-S	640	45.0	339	484	18.5	45.3
Yolov6-M	640	50.0	175	226	34.9	85.8
Yolov6-L	640	52.8	98	116	59.6	150.7

Yolov6-N6	1280	44.9	228	281	10.4	49.8
Yolov6-S6	1280	50.3	98	108	41.4	198.0
Yolov6-M6	1280	55.2	47	55	79.6	379.5
Yolov6-L6	1280	57.2	26	29	140.4	673.4

ملاحظات الجدول

يتم تدريب جميع نقاط التفتيش على التكرار الذاتي باستثناء نماذج YOLOV6-N6/S6 المدربين على 300 عصر دون تقطير.
يتم تقييم نتائج الخريطة والسرعة على مجموعة بيانات Coco Val2017 مع دقة الإدخال من 640 × 640 لنماذج P5 و 1280 × 1280 لنماذج P6.
يتم اختبار السرعة مع Tensorrt 7.2 على T4.
ارجع إلى برنامج Test Speed Tutorial لإعادة إنتاج نتائج السرعة لـ YOLOV6.
يتم تقدير params و flops من yolov6 على النماذج المنشورة.

النماذج القديمة

نموذج	مقاس	خريطة ^{فال 0.5: 0.95}	السرعة ^{T4 TRT FP16 B1 (FPS)}	السرعة ^{T4 TRT FP16 B32 (FPS)}	params ^(م)	يتخبط ^(ز)
Yolov6-N	640	35.9 ^300E 36.3 ^400E	802	1234	4.3	11.1
Yolov6-t	640	40.3 ^300E 41.1 ^400E	449	659	15.0	36.7
Yolov6-S	640	43.5 ^300E 43.8 ^400E	358	495	17.2	44.2
Yolov6-M	640	49.5	179	233	34.3	82.2
Yolov6-L-Relu	640	51.7	113	149	58.5	144.0
Yolov6-L	640	52.5	98	121	58.5	144.0

يتم اختبار السرعة مع Tensorrt 7.2 على T4.

نموذج كمي

نموذج	مقاس	دقة	خريطة ^{فال 0.5: 0.95}	السرعة ^{T4 TRT B1 (FPS)}	السرعة ^{T4 TRT B32 (FPS)}
yolov6-n Repopt	640	int8	34.8	1114	1828
Yolov6-N	640	FP16	35.9	802	1234
yolov6-t repopt	640	int8	39.8	741	1167
Yolov6-t	640	FP16	40.3	449	659
yolov6-s repopt	640	int8	43.3	619	924
Yolov6-S	640	FP16	43.5	377	541

يتم اختبار السرعة مع Tensorrt 8.4 على T4.
يتم احتساب الدقة على نماذج ل 300 عصر.

القياس المحمول

نموذج	مقاس	خريطة ^{فال 0.5: 0.95}	SM8350 ^(آنسة)	MT6853 ^(آنسة)	SDM660 ^(آنسة)	params ^(م)	يتخبط ^(ز)
yolov6lite-s	320*320	22.4	7.99	11.99	41.86	0.55	0.56
yolov6lite-m	320*320	25.1	9.08	13.27	47.95	0.79	0.67
yolov6lite-l	320*320	28.0	11.37	16.20	61.40	1.09	0.87
yolov6lite-l	320*192	25.0	7.02	9.66	36.13	1.09	0.52
yolov6lite-l	224*128	18.9	3.63	4.99	17.76	1.09	0.24

ملاحظات الجدول

من منظور حجم النموذج ونسبة صورة الإدخال ، قمنا ببناء سلسلة من النماذج على محطة الهاتف المحمول لتسهيل التطبيقات المرنة في سيناريوهات مختلفة.
يتم تدريب جميع نقاط التفتيش مع 400 عصر دون تقطير.
يتم تقييم نتائج الخريطة والسرعة على مجموعة بيانات COCO Val2017 ، ودقة الإدخال هي الحجم في الجدول.
يتم اختبار السرعة على MNN 2.3.0 AARCH64 مع 2 مؤشر ترابط بواسطة ARM82 تسارع. يتم تنفيذ الاحماء الاستنتاج 10 مرات ، ويتم إجراء الدورة 100 مرة.
تتوافق Qualcomm 888 (SM8350) ، و Dimense 720 (MT6853) و Qualcomm 660 (SDM660) مع الرقائق ذات العروض المختلفة في النهاية العالية والمتوسطة والمنخفضة على التوالي ، والتي يمكن استخدامها كمرجع لقدرات النموذج تحت رقائق مختلفة.
ارجع إلى Test NCNN Speed Tutorial لإعادة إنتاج نتائج سرعة NCNN لـ Yolov6Lite.

بداية سريعة

ثَبَّتَ

git clone https://github.com/meituan/YOLOv6
cd YOLOv6
pip install -r requirements.txt

إعادة إنتاج نتائجنا على Coco

يرجى الرجوع إلى مجموعة بيانات تدريب Coco.

Finetune على البيانات المخصصة

وحدة معالجة الرسومات المفردة

 # P5 models
python tools/train.py --batch 32 --conf configs/yolov6s_finetune.py --data data/dataset.yaml --fuse_ab --device 0
# P6 models
python tools/train.py --batch 32 --conf configs/yolov6s6_finetune.py --data data/dataset.yaml --img 1280 --device 0

وحدات معالجة الرسومات المتعددة (موصى بوضع DDP)

 # P5 models
python -m torch.distributed.launch --nproc_per_node 8 tools/train.py --batch 256 --conf configs/yolov6s_finetune.py --data data/dataset.yaml --fuse_ab --device 0,1,2,3,4,5,6,7
# P6 models
python -m torch.distributed.launch --nproc_per_node 8 tools/train.py --batch 128 --conf configs/yolov6s6_finetune.py --data data/dataset.yaml --img 1280 --device 0,1,2,3,4,5,6,7

FUSE_AB: أضف فرع المساعد المستند إلى المرساة واستخدم وضع التدريب بمساعدة المرساة (غير مدعوم في نماذج P6 حاليًا)
CONF: حدد ملف التكوين لتحديد الشبكة/المُحسّن/المقاطع الزائدة. نوصي بتطبيق yolov6n/s/m/l_finetune.py عند التدريب على مجموعة البيانات المخصصة.
البيانات: قم بإعداد مجموعة البيانات وحدد مسارات مجموعة البيانات في Data.yaml (Coco ، Yolo Format Coco Labels)
تأكد من بنية مجموعة البيانات الخاصة بك على النحو التالي:

 ├── coco
│   ├── annotations
│   │   ├── instances_train2017.json
│   │   └── instances_val2017.json
│   ├── images
│   │   ├── train2017
│   │   └── val2017
│   ├── labels
│   │   ├── train2017
│   │   ├── val2017
│   ├── LICENSE
│   ├── README.txt

يدعم YOLOV6 أوضاع دقة المدخلات المختلفة. للحصول على التفاصيل ، راجع كيفية ضبط حجم الإدخال.

استئناف التدريب

إذا كانت عملية التدريب الخاصة بك تالفًا ، فيمكنك استئناف التدريب بواسطة

 # single GPU training.
python tools/train.py --resume

# multi GPU training.
python -m torch.distributed.launch --nproc_per_node 8 tools/train.py --resume

سيجد الأمر أعلاه تلقائيًا أحدث نقطة تفتيش في دليل YOLOV6 ، ثم استئناف عملية التدريب.

يمكنك أيضًا تحديد مسار نقطة --resume إلى المعلمة

 # remember to replace /path/to/your/checkpoint/path to the checkpoint path which you want to resume training.
--resume /path/to/your/checkpoint/path

سيستأنف هذا من نقطة التفتيش المحددة التي تقدمها.

تقييم

إعادة إنتاج الخريطة على مجموعة بيانات Coco Val2017 بدقة 640 × 640 أو 1280 × 1280

 # P5 models
python tools/eval.py --data data/coco.yaml --batch 32 --weights yolov6s.pt --task val --reproduce_640_eval
# P6 models
python tools/eval.py --data data/coco.yaml --batch 32 --weights yolov6s6.pt --task val --reproduce_640_eval --img 1280

المطوّل: قم بتعيين خطأ لطباعة خريطة كل فئة.
do_coco_metric: تعيين صحيح / خطأ لتمكين / تعطيل طريقة تقييم pycocotools.
DO_PR_METRIC: اضبط TRUE / FALSE لطباعة أو عدم طباعة مقاييس الدقة والاستدعاء.
ملف التكوين: حدد ملف تكوين لتحديد جميع المعاملات الإثوية ، على سبيل المثال: yolov6n_with_eval_params.py

الاستدلال

أولاً ، قم بتنزيل نموذج مسبق من إصدار YOLOV6 أو استخدم طرازك المدرب للقيام بالاستدلال.

ثانياً ، قم بتشغيل الاستدلال مع tools/infer.py

 # P5 models
python tools/infer.py --weights yolov6s.pt --source img.jpg / imgdir / video.mp4
# P6 models
python tools/infer.py --weights yolov6s6.pt --img 1280 1280 --source img.jpg / imgdir / video.mp4

إذا كنت ترغب في الاستدلال على الكاميرا المحلية أو كاميرا الويب ، فيمكنك تشغيل:

 # P5 models
python tools/infer.py --weights yolov6s.pt --webcam --webcam-addr 0
# P6 models
python tools/infer.py --weights yolov6s6.pt --img 1280 1280 --webcam --webcam-addr 0

يمكن أن يكون webcam-addr معرف رقم الكاميرا المحلي أو عنوان RTSP.

النشر

onnx
Opencv Python/C ++
Openvino
Tensorrt
NCNN
Android

دروس

دليل المستخدم (ZH_CN)
تدريب مجموعة بيانات كوكو
تدريب البيانات المخصصة
سرعة الاختبار
البرنامج التعليمي لقياس yolov6

موارد الطرف الثالث

تدريب Yolov6 مع Amazon Sagemaker: Yolov6-Sagemaker من Ashwincc
yolov6 NCNN Android App Demo: NCNN-Android-Yolov6 من Feigechuanshu
yolov6 onnxruntime/mnn/tnn c ++: yolov6-ord ، yolov6-mnn و yolov6-tnn من deftruth
Yolov6 Tensorrt Python: Yolov6-Tensorrt-Python من Linaom1214
Yolov6 Tensorrt Windows C ++: Yolort من Wei Zeng
YOLOV6 ويب العرض التوضيحي على مساحات Huggingface مع Gradio.
العرض التفاعلي على Dagshub مع STREMLIT
البرنامج التعليمي: كيفية تدريب Yolov6 على مجموعة بيانات مخصصة
تعليمي على YouTube: كيفية تدريب Yolov6 على مجموعة بيانات مخصصة
العرض التوضيحي للاستدلال yolov6 على Google Colab
منشور المدونة: اكتشاف كائن Yolov6 - شرح الورق والاستدلال