Téléchargement YOLOv6 - Téléchargement du code source YOLOv6

YOLOv6

Python

v6-Segmentation

Télécharger

Anglais | 简体中文

Yolov6

Mise en œuvre du papier:

Yolov6 v3.0: un rechargement à grande échelle
YOLOV6: un cadre de détection d'objets à un étage pour les applications industrielles

Quoi de neuf

[2023.09.15] Libérez la segmentation Yolov6. Performance
[2023.04.28] Libérez les modèles Yolov6Lite sur mobile ou CPU. ️ Benchmark mobile
[2023.03.10] Libérez Yolov6-Face. Performance
[2023.03.02] Mettez à jour les modèles de base vers la version 3.0.
[2023.01.06] Libérez les modèles P6 et améliorez les performances des modèles P5. ️ Benchmark
[2022.11.04] Libérez les modèles de base pour simplifier le processus de formation et de déploiement.
[2022.09.06] Méthodes de quantification personnalisées. Tutoriel de quantification
[2022.09.05] Libérez les modèles M / L et mettez à jour les modèles N / T / S avec des performances améliorées.
[2022.06.23] Libérez les modèles N / T / S avec d'excellentes performances.

Référence

Modèle	Taille	^{cartographie 0,5: 0,95}	Vitesse ^{T4 TRT FP16 B1 (FPS)}	Vitesse ^{T4 TRT FP16 B32 (FPS)}	Paramètres ^(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

Notes de table

Tous les points de contrôle sont formés avec l'auto-distillation, à l'exception des modèles Yolov6-N6 / S6 formés à 300 époques sans distillation.
Les résultats de la carte et de la vitesse sont évalués sur l'ensemble de données CoCO VAL2017 avec la résolution d'entrée de 640 × 640 pour les modèles P5 et 1280x1280 pour les modèles P6.
La vitesse est testée avec Tensorrt 7.2 sur T4.
Reportez-vous au tutoriel de vitesse de test pour reproduire les résultats de vitesse de Yolov6.
Les paramètres et les flops de Yolov6 sont estimés sur les modèles déployés.

Modèles hérités

Modèle	Taille	^{cartographie 0,5: 0,95}	Vitesse ^{T4 TRT FP16 B1 (FPS)}	Vitesse ^{T4 TRT FP16 B32 (FPS)}	Paramètres ^(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

La vitesse est testée avec Tensorrt 7.2 sur T4.

Modèle quantifié

Modèle	Taille	Précision	^{cartographie 0,5: 0,95}	Vitesse ^{T4 TRT B1 (FPS)}	Vitesse ^{T4 TRT B32 (FPS)}
Yolov6-n RepoTt	640	Int8	34.8	1114	1828
Yolov6-n	640	FP16	35.9	802	1234
YOLOV6-T RepoTt	640	Int8	39.8	741	1167
Yolov6-t	640	FP16	40.3	449	659
Yolov6-S RepoTt	640	Int8	43.3	619	924
Yolov6-s	640	FP16	43.5	377	541

La vitesse est testée avec Tensorrt 8.4 sur T4.
La précision est figurée sur des modèles pour 300 époques.

Référence mobile

Modèle	Taille	^{cartographie 0,5: 0,95}	SM8350 ^(MS)	MT6853 ^(MS)	SDM660 ^(MS)	Paramètres ^(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

Notes de table

Du point de vue de la taille du modèle et du rapport d'image d'entrée, nous avons construit une série de modèles sur le terminal mobile pour faciliter les applications flexibles dans différents scénarios.
Tous les points de contrôle sont formés avec 400 époques sans distillation.
Les résultats de la carte et de la vitesse sont évalués sur l'ensemble de données COCO VAL2017, et la résolution d'entrée est la taille du tableau.
La vitesse est testée sur MNN 2.3.0 AARCH64 avec 2 threads par accélération ARM82. L'échauffement de l'inférence est effectué 10 fois et le cycle est effectué 100 fois.
Qualcomm 888 (SM8350), Dimensity 720 (MT6853) et Qualcomm 660 (SDM660) correspondent respectivement à des puces avec différentes performances à l'extrémité haute, intermédiaire et bas, qui peut être utilisée comme référence pour les capacités du modèle sous différentes puces.
Reportez-vous au Test NCNN Speed Tutorial pour reproduire les résultats de la vitesse NCNN de Yolov6Lite.

Démarrage rapide

Installer

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

Reproduire nos résultats sur Coco

Veuillez vous référer à Train Coco DataSet.

Finetune sur des données personnalisées

GPU unique

 # 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 GPU (mode DDP recommandé)

 # 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: Ajoutez la branche auxiliaire basée sur l'ancrage et utilisez le mode de formation aidé par l'ancrage (non pris en charge sur les modèles P6 actuellement)
Conf: Sélectionnez le fichier config pour spécifier le réseau / optimiseur / hyperparamètres. Nous vous recommandons d'appliquer Yolov6n / S / M / L_FineTune.py lors de la formation sur votre ensemble de données personnalisé.
Données: Préparez l'ensemble de données et spécifiez les chemins de données dans Data.yaml (Coco, Yolo Format Coco Étiquettes)
Assurez-vous que la structure de votre ensemble de données suit:

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

Yolov6 prend en charge différents modes de résolution d'entrée. Pour plus de détails, voir comment définir la taille de l'entrée.

CV Formation

Si votre processus de formation est corrompu, vous pouvez reprendre la formation

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

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

La commande ci-dessus trouvera automatiquement le dernier point de contrôle dans le répertoire YOLOV6, puis reprendra le processus de formation.

Vous pouvez également spécifier un chemin de contrôle de contrôle vers --resume paramètre par

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

Cela reprendra à partir du point de contrôle spécifique que vous fournissez.

Évaluation

Reproduire la carte sur l'ensemble de données CoCo Val2017 avec une résolution 640 × 640 ou 1280x1280

 # 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

Verbose: Définissez la carte TRUE à imprimer de chaque classe.
DO_COCO_METRIC: Définissez True / False pour activer / désactiver la méthode d'évaluation des pycocotools.
DO_PR_METRIC: Définissez True / False sur imprimer ou ne pas imprimer les mesures de précision et de rappel.
Config-File: Spécifiez un fichier de configuration pour définir tous les params de l'évaluation, par exemple: yolov6n_with_eval_params.py

Inférence

Tout d'abord, téléchargez un modèle pré-entraîné à partir de la version Yolov6 ou utilisez votre modèle formé pour faire l'inférence.

Deuxièmement, exécutez l'inférence avec 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 vous souhaitez inférer sur une caméra locale ou une caméra Web, vous pouvez courir:

 # 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 peut être l'ID de numéro de caméra local ou l'adresse RTSP.

Déploiement

Onnx
OpenCV Python / C ++
Openvino
Tensorrt
Ncnn
Androïde

Tutoriels

Guide de l'utilisateur (ZH_CN)
Train DataSet Coco
Former des données personnalisées
Vitesse de test
Tutoriel de la quantification pour yolov6

Ressources tierces

Formation Yolov6 avec Amazon Sagemaker: Yolov6-Sagemaker d'Ashwincc
Yolov6 NCNN Android App Demo: NCNN-Android-Yolov6 de Feigechuanshu
Yolov6 onnxruntime / mnn / tnn c ++: yolov6-or, yolov6-mnn et yolov6-tnn de Deftruth
Yolov6 Tensorrt Python: Yolov6-Tensorrt-Python de Linaom1214
Yolov6 Tensorrt Windows C ++: Yolort de Wei Zeng
Demo web yolov6 sur les espaces étreintes avec Gradio.
Demo interactif sur Dagshub avec rationalisation
Tutoriel: comment former Yolov6 sur un ensemble de données personnalisé
Tutoriel YouTube: Comment former Yolov6 sur un ensemble de données personnalisé
Démo de l'inférence de Yolov6 sur Google Colab
Article de blog: Détection d'objet Yolov6 - Explication du papier et inférence