YOLOv6 Download - YOLOv6 Quellcode Download

YOLOv6

Python

v6-Segmentation

Herunterladen

Englisch | 简体中文

Yolov6

Implementierung von Papier:

Yolov6 v3.0: ein vollwertiges Nachladen
Yolov6: Ein einstufiges Objekterkennungsrahmen für industrielle Anwendungen

Was ist neu

[2023.09.15] Release Yolov6-Segmentierung. Leistung
[2023.04.28] Freisetzung von Yolov6lite -Modellen auf Mobilgeräten oder CPU. ️ Mobile Benchmark
[2023.03.10] Release Yolov6-Face. Leistung
[2023.03.02] Aktualisieren Sie Basismodelle auf Version 3.0.
[2023.01.06] P6 -Modelle freigeben und die Leistung von P5 -Modellen verbessern. ️ Benchmark
[2022.11.04] Befreiung von Basismodellen, um den Schulungs- und Bereitstellungsprozess zu vereinfachen.
[2022.09.06] Customized Quantisierungsmethoden. Quantisierungs -Tutorial
[2022.09.05] M/L -Modelle veröffentlicht und N/T/S -Modelle mit verbesserter Leistung aktualisieren.
[2022.06.23] Freisetzung N/T/S -Modelle mit hervorragender Leistung.

Benchmark

Modell	Größe	Karte ^{val 0,5: 0,95}	Geschwindigkeit ^{T4 TRT FP16 B1 (FPS)}	Geschwindigkeit ^{T4 TRT FP16 B32 (FPS)}	Parameter ^(M)	Flops ^(G)
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

Tischnotizen

Alle Checkpoints werden mit Selbstdarstellung mit Ausnahme von Yolov6-N6/S6-Modellen ausgebildet, die auf 300 Epochen ohne Destillation ausgebildet sind.
Die Ergebnisse der Karte und der Geschwindigkeit werden auf dem Datensatz von CoCO VAL2017 mit der Eingangsauflösung von 640 × 640 für P5 -Modelle und 1280 x 1280 für P6 -Modelle bewertet.
Die Geschwindigkeit wird mit Tensorrt 7.2 auf T4 getestet.
Siehe Tutorial für Testgeschwindigkeit, um die Geschwindigkeitsergebnisse von Yolov6 zu reproduzieren.
Parameter und Flops von Yolov6 werden auf bereitgestellten Modellen geschätzt.

Legacy -Modelle

Modell	Größe	Karte ^{val 0,5: 0,95}	Geschwindigkeit ^{T4 TRT FP16 B1 (FPS)}	Geschwindigkeit ^{T4 TRT FP16 B32 (FPS)}	Parameter ^(M)	Flops ^(G)
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

Die Geschwindigkeit wird mit Tensorrt 7.2 auf T4 getestet.

Quantisierte Modell

Modell	Größe	Präzision	Karte ^{val 0,5: 0,95}	Geschwindigkeit ^{T4 Trt B1 (FPS)}	Geschwindigkeit ^{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

Die Geschwindigkeit wird mit Tensorrt 8.4 auf T4 getestet.
Die Präzision ist auf Modellen für 300 Epochen abgebildet.

Mobile Benchmark

Modell	Größe	Karte ^{val 0,5: 0,95}	SM8350 ^(MS)	MT6853 ^(MS)	SDM660 ^(MS)	Parameter ^(M)	Flops ^(G)
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

Tischnotizen

Aus Sicht des Modellgröße und des Eingabebildverhältnisses haben wir eine Reihe von Modellen am mobilen Terminal erstellt, um flexible Anwendungen in verschiedenen Szenarien zu erleichtern.
Alle Kontrollpunkte werden mit 400 Epochen ohne Destillation trainiert.
Die Ergebnisse der Karte und der Geschwindigkeit werden im Datensatz von CoCO VAL2017 bewertet, und die Eingangsauflösung ist die Größe in der Tabelle.
Die Geschwindigkeit wird auf MNN 2.3.0 AARG64 mit 2 Fäden durch ARM82 -Beschleunigung getestet. Das Inferenzaufwärmen wird 10 Mal durchgeführt und der Zyklus wird 100 Mal durchgeführt.
Qualcomm 888 (SM8350), Abmessung 720 (MT6853) und Qualcomm 660 (SDM660) entsprechen Chips mit unterschiedlichen Leistungen am hohen, mittleren und niedrigen Ende, die als Referenz für Modellfunktionen unter verschiedenen Chips verwendet werden können.
Weitere Informationen zu Test -NCNN -Geschwindigkeits -Tutorial zur Reproduktion der NCNN -Geschwindigkeitsergebnisse von Yolov6lite.

Schneller Start

Installieren

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

Reproduzieren unsere Ergebnisse auf Coco

Weitere Informationen finden Sie im Train Coco -Datensatz.

Finetune auf benutzerdefinierten Daten

Single GPU

 # 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

Multi -GPUs (DDP -Modus empfohlen)

 # 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: Fügen Sie Anchor-basierter Hilfszweig hinzu und verwenden Sie den Anker-Aided-Trainingsmodus (derzeit nicht auf P6-Modellen unterstützt)
Conf: Wählen Sie die Konfigurationsdatei aus, um Netzwerk/Optimierer/Hyperparameter anzugeben. Wir empfehlen, yolov6n/s/m/l_finetune.py beim Training auf Ihrem benutzerdefinierten Datensatz anzuwenden.
Daten: Datensatz vorbereiten und Datensatzpfade in Data.YAML (COCO, YOLO -Format -Coco -Labels) angeben.
Stellen Sie sicher, dass Ihre Datensatzstruktur wie folgt:

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

YOLOV6 unterstützt verschiedene Eingangsauflösungsmodi. Weitere Informationen finden Sie unter der Festlegung der Eingangsgröße.

Wiederaufnahme des Trainings

Wenn Ihr Trainingsprozess beschädigt ist, können Sie das Training mit dem Training fortsetzen

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

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

Oben Befehl findet automatisch den neuesten Checkpoint im Yolov6 -Verzeichnis und fördert dann den Schulungsprozess.

Sie können auch einen Checkpoint -Pfad an --resume Parameter von angeben

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

Dies wird von dem spezifischen Checkpoint, den Sie bereitstellen, wieder aufgenommen.

Auswertung

Reproduzieren Sie die Karte auf CoCO VAL2017 -Datensatz mit 640 × 640 oder 1280 x 1280 Auflösung

 # 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

Ausführlich: Setzen Sie sich auf die Druckenkarte der einzelnen Klassen.
DO_COCO_METRIC: Legen Sie True / False fest, um die Bewertungsmethode der Pycocotools zu aktivieren / zu deaktivieren.
DO_PR_METRIC: Setzen Sie True / False, um die Präzision zu drucken oder nicht zu drucken und Metriken abzurufen.
config-file: Geben Sie eine Konfigurationsdatei an, um alle Eval-Params zu definieren, zum Beispiel: yolov6n_with_eval_params.py

Schlussfolgerung

Laden Sie zunächst ein vorgezogenes Modell aus der Yolov6 -Version herunter oder verwenden Sie Ihr geschultes Modell, um Schluss zu führen.

Zweitens führen Sie Inferenz mit tools/infer.py aus

 # 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

Wenn Sie sich auf die lokale Kamera oder die Webkamera einsetzen möchten, können Sie ausführen:

 # 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

webcam-addr kann die lokale Kamera-Nummern-ID oder eine RTSP-Adresse sein.

Einsatz

Onnx
Opencv python/c ++
OpenVino
Tensorrt
Ncnn
Android

Tutorials

Benutzerhandbuch (ZH_CN)
Trainieren Sie den Coco -Datensatz
Trainieren Sie benutzerdefinierte Daten
Testgeschwindigkeit
Tutorial der Quantisierung für yolov6

Ressourcen von Drittanbietern

YOLOV6-Training mit Amazon Sagemaker: Yolov6-Agemaker von Ashwincc
Yolov6 ncnn android App Demo: ncnn-android-yolov6 von feigechuanshu
Yolov6 onnxruntime/mnn/tnn c ++: yolov6-ort, yolov6-mnn und yolov6-tnn aus Deftruth
Yolov6 Tensorrt Python: Yolov6-Tensorrt-Python von Linaom1214
Yolov6 Tensorrt Windows C ++: Yolort von Wei Zeng
YOLOV6 -Web -Demo auf Umarmungsflächen mit Gradio.
Interaktive Demo auf Dagshub mit stromloser
Tutorial: Wie man Yolov6 in einem benutzerdefinierten Datensatz trainiert
YouTube -Tutorial: So trainieren Sie Yolov6 auf einem benutzerdefinierten Datensatz
Demo von Yolov6 Inferenz auf Google Colab
Blogbeitrag: Yolov6 -Objekterkennung - Erklärung und Inferenzpapier