Inicio>Relacionado con la programación>Pitón
Descargar

Inglés | 简体中文



Yolov6

Implementación del documento:

  • Yolov6 v3.0: una recarga a gran escala
  • Yolov6: un marco de detección de objetos de una sola etapa para aplicaciones industriales

Qué hay de nuevo

  • [2023.09.15] Libere la segmentación Yolov6. Actuación
  • [2023.04.28] lanzan modelos de yolov6lite en dispositivos móviles o CPU. ️ Benchmark de referencia móvil
  • [2023.03.10] Libere Yolov6-Face. Actuación
  • [2023.03.02] Actualizar modelos base a la versión 3.0.
  • [2023.01.06] lanzan modelos P6 y mejoran el rendimiento de los modelos P5. ️ Benchmark
  • [2022.11.04] Libere modelos base para simplificar el proceso de capacitación e implementación.
  • [2022.09.06] Métodos de cuantización personalizados. Tutorial de cuantificación
  • [2022.09.05] Libere modelos M/L y actualice modelos N/T/S con un rendimiento mejorado.
  • [2022.06.23] Libere los modelos N/T/S con excelente rendimiento.

Punto de referencia

Modelo Tamaño mapa val
0.5: 0.95		 Velocidad t4
TRT FP16 B1
(FPS)		 Velocidad t4
TRT FP16 B32
(FPS)		 Parámetros
(METRO)		 Chocolas
(GRAMO)
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
Notas de la tabla
  • Todos los puntos de control están entrenados con autodistilación, excepto los modelos Yolov6-N6/S6 entrenados a 300 épocas sin destilación.
  • Los resultados del mapa y la velocidad se evalúan en el conjunto de datos Coco Val2017 con la resolución de entrada de 640 × 640 para modelos P5 y 1280x1280 para modelos P6.
  • La velocidad se prueba con Tensorrt 7.2 en T4.
  • Consulte el tutorial de prueba de prueba para reproducir los resultados de velocidad de Yolov6.
  • Los parámetros y flops de Yolov6 se estiman en modelos implementados.
Modelos heredados
Modelo Tamaño mapa val
0.5: 0.95		 Velocidad t4
TRT FP16 B1
(FPS)		 Velocidad t4
TRT FP16 B32
(FPS)		 Parámetros
(METRO)		 Chocolas
(GRAMO)
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-Lelu 640 51.7 113 149 58.5 144.0
Yolov6-l 640 52.5 98 121 58.5 144.0
  • La velocidad se prueba con Tensorrt 7.2 en T4.

Modelo cuantificado

Modelo Tamaño Precisión mapa val
0.5: 0.95		 Velocidad t4
TRT B1
(FPS)		 Velocidad 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
  • La velocidad se prueba con Tensorrt 8.4 en T4.
  • La precisión se figura en modelos para 300 épocas.

Punto de referencia móvil

Modelo Tamaño mapa val
0.5: 0.95		 SM8350
(EM)		 MT6853
(EM)		 SDM660
(EM)		 Parámetros
(METRO)		 Chocolas
(GRAMO)
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
Notas de la tabla
  • Desde la perspectiva del tamaño del modelo y la relación de imagen de entrada, hemos creado una serie de modelos en la terminal móvil para facilitar aplicaciones flexibles en diferentes escenarios.
  • Todos los puntos de control están entrenados con 400 épocas sin destilación.
  • Los resultados del mapa y la velocidad se evalúan en el conjunto de datos Coco Val2017, y la resolución de entrada es del tamaño en la tabla.
  • La velocidad se prueba en MNN 2.3.0 AARCH64 con 2 hilos por la aceleración ARM82. El calentamiento de inferencia se realiza 10 veces, y el ciclo se realiza 100 veces.
  • Qualcomm 888 (SM8350), Dimensidad 720 (MT6853) y Qualcomm 660 (SDM660) corresponden a chips con diferentes rendimientos en el extremo alto, medio y bajo respectivamente, que puede usarse como referencia para capacidades de modelo bajo diferentes chips.
  • Consulte el tutorial Speed Test NCNN para reproducir los resultados de velocidad de NCNN de yolov6lite.

Comienzo rápido

Instalar 
git clone https://github.com/meituan/YOLOv6
cd YOLOv6
pip install -r requirements.txt
Reproducir nuestros resultados en Coco

Consulte el conjunto de datos de Coco Coco.

Finetune en datos personalizados

GPU único 

 # 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

GPU múltiple (modo DDP recomendado) 

 # 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: Agregar rama auxiliar basada en ancla y usar el modo de entrenamiento asistido por anclaje (no admitido en los modelos P6 actualmente)
  • Conf: Seleccione el archivo de configuración para especificar red/optimizador/hiperparameters. Recomendamos aplicar yolov6n/s/m/l_finetune.py cuando entrene en su conjunto de datos personalizado.
  • Datos: Prepare el conjunto de datos y especifique las rutas del conjunto de datos en datos.
  • Asegúrese de que su estructura de conjunto de datos de la siguiente manera: 
 ├── coco
│   ├── annotations
│   │   ├── instances_train2017.json
│   │   └── instances_val2017.json
│   ├── images
│   │   ├── train2017
│   │   └── val2017
│   ├── labels
│   │   ├── train2017
│   │   ├── val2017
│   ├── LICENSE
│   ├── README.txt

Yolov6 admite diferentes modos de resolución de entrada. Para obtener más detalles, consulte cómo establecer el tamaño de entrada.

Capacitación de reanudación

Si su proceso de capacitación está dañado, puede reanudar la capacitación por 

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

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

El comando anterior encontrará automáticamente el último punto de control en el directorio YOLOV6, luego reanudará el proceso de capacitación.

También puede especificar una ruta de punto de control para -parámetro --resume por 

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

Esto se reanudará desde el punto de control específico que proporciona.

Evaluación

Reproducir el mapa en el conjunto de datos Coco Val2017 con 640 × 640 o 1280x1280 Resolución 

 # 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
  • Levante: configure el mapa de verdad para imprimir de cada clases.
  • do_coco_metric: Establecer True / False para habilitar / deshabilitar el método de evaluación de Pycocotools.
  • do_pr_metric: Establezca verdadero / falso para imprimir o no para imprimir las métricas de precisión y recuperación.
  • File de configuración: especifique un archivo de configuración para definir todos los parámetros de evaluación, por ejemplo: yolov6n_with_eval_params.py
Inferencia

Primero, descargue un modelo previo a la versión de Yolov6 o use su modelo capacitado para hacer inferencia.

Segundo, ejecute inferencia con 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

Si desea inferencia en la cámara local o la cámara web, puede ejecutar: 

 # 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 puede ser la ID de número de cámara local o la dirección RTSP.

Despliegue
  • ONNX
  • OpenCV Python/C ++
  • Abierto
  • Tensor
  • Ncnn
  • Androide
Tutoriales
  • Guía del usuario (ZH_CN)
  • Train Coco DataSet
  • Entrenar datos personalizados
  • Velocidad de prueba
  • Tutorial de cuantización para Yolov6
Recursos de terceros

  • Entrenamiento de Yolov6 con Amazon Sagemaker: Yolov6-Sagemaker de Ashwincc

  • Yolov6 NCNN Android App Demo: NCNN-Android-Yolov6 de Feigechuanshu

  • Yolov6 onnxruntime/mnn/tnn c ++: yolov6-art, yolov6-mnn y yolov6-tnn de Deftruth

  • Yolov6 Tensorrt Python: Yolov6-Tensorrt-Python de Linaom1214

  • Yolov6 tensorrt windows c ++: yolort de wei zeng

  • Demostración web de Yolov6 en espacios Huggingface con Gradio.

  • Demostración interactiva en dagShub con racionalización

  • Tutorial: Cómo entrenar Yolov6 en un conjunto de datos personalizado

  • Tutorial de YouTube: cómo entrenar yolov6 en un conjunto de datos personalizado

  • Demostración de inferencia de yolov6 en Google Colab

  • Publicación de blog: Detección de objetos Yolov6 - Explicación en papel e inferencia

Preguntas frecuentes （actualizado continuamente）

Si tiene alguna pregunta, bienvenido a unirse a nuestro grupo WeChat para discutir e intercambiar.

Expandir
Información adicional
Aplicaciones relacionadas
Recomendado para ti
Información relacionada Todo