Unduh YOLOv6 - Unduh Kode Sumber YOLOv6

YOLOv6

ular piton

v6-Segmentation

Unduh

Bahasa Inggris | 简体中文

Yolov6

Implementasi Kertas:

YOLOV6 V3.0: Muat ulang skala penuh
YOLOV6: Kerangka Deteksi Objek Tahap Single untuk Aplikasi Industri

Apa yang baru

[2023.09.15] Rilis YOLOV6-Segmentasi. Pertunjukan
[2023.04.28] Lepaskan model YOLOV6LITE di ponsel atau CPU. ️ Benchmark seluler
[2023.03.10] Rilis YOLOV6-FACE. Pertunjukan
[2023.03.02] Perbarui model dasar ke versi 3.0.
[2023.01.06] melepaskan model P6 dan meningkatkan kinerja model P5. ️ Benchmark
[2022.11.04] Rilis model dasar untuk menyederhanakan proses pelatihan dan penyebaran.
[2022.09.06] Metode kuantisasi yang disesuaikan. Tutorial kuantisasi
[2022.09.05] Rilis model M/L dan perbarui model N/T/S dengan kinerja yang ditingkatkan.
[2022.06.23] Rilis model N/T/S dengan kinerja yang sangat baik.

Benchmark

Model	Ukuran	peta ^{val 0,5: 0,95}	Kecepatan ^{T4 TRT FP16 B1 (FPS)}	Kecepatan ^{T4 TRT FP16 B32 (FPS)}	Params ^(M)	Jepit ^(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

Catatan tabel

Semua pos pemeriksaan dilatih dengan distilasi diri kecuali untuk model YOLOV6-N6/S6 yang dilatih hingga 300 zaman tanpa distilasi.
Hasil peta dan kecepatan dievaluasi pada dataset Coco Val2017 dengan resolusi input 640 × 640 untuk model P5 dan 1280x1280 untuk model P6.
Kecepatan diuji dengan Tensorrt 7.2 pada T4.
Lihat tutorial kecepatan tes untuk mereproduksi hasil kecepatan yolov6.
Params dan jepit YOLOV6 diperkirakan pada model yang digunakan.

Model Legacy

Model	Ukuran	peta ^{val 0,5: 0,95}	Kecepatan ^{T4 TRT FP16 B1 (FPS)}	Kecepatan ^{T4 TRT FP16 B32 (FPS)}	Params ^(M)	Jepit ^(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

Kecepatan diuji dengan Tensorrt 7.2 pada T4.

Model terkuantisasi

Model	Ukuran	Presisi	peta ^{val 0,5: 0,95}	Kecepatan ^{T4 Trt B1 (FPS)}	Kecepatan ^{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

Kecepatan diuji dengan Tensorrt 8.4 pada T4.
Presisi digambarkan pada model untuk 300 zaman.

Benchmark seluler

Model	Ukuran	peta ^{val 0,5: 0,95}	SM8350 ^(MS)	MT6853 ^(MS)	SDM660 ^(MS)	Params ^(M)	Jepit ^(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

Catatan tabel

Dari perspektif ukuran model dan rasio gambar input, kami telah membangun serangkaian model di terminal seluler untuk memfasilitasi aplikasi yang fleksibel dalam skenario yang berbeda.
Semua pos pemeriksaan dilatih dengan 400 zaman tanpa distilasi.
Hasil peta dan kecepatan dievaluasi pada dataset Coco Val2017, dan resolusi input adalah ukuran dalam tabel.
Kecepatan diuji pada MNN 2.3.0 AARCH64 dengan 2 utas dengan akselerasi ARM82. Pemanasan inferensi dilakukan 10 kali, dan siklus dilakukan 100 kali.
Qualcomm 888 (SM8350), Dimensity 720 (MT6853) dan Qualcomm 660 (SDM660) sesuai dengan chip dengan kinerja yang berbeda pada masing -masing tinggi, tengah dan rendah, yang dapat digunakan sebagai referensi untuk kemampuan model di bawah chip yang berbeda.
Lihat tes tutorial kecepatan NCNN untuk mereproduksi hasil kecepatan NCNN dari yolov6lite.

Awal yang cepat

Memasang

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

Mereproduksi hasil kami di coco

Silakan merujuk ke Dataset Kereta Coco.

Finetune pada data khusus

GPU tunggal

 # 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 direkomendasikan)

 # 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: Tambahkan cabang tambahan berbasis jangkar dan gunakan mode pelatihan jangkar bantu (tidak didukung pada model P6 saat ini)
Conf: Pilih file konfigurasi untuk menentukan jaringan/pengoptimal/hiperparameter. Kami merekomendasikan untuk menerapkan YOLOV6N/S/M/L_FINETUNE.PY Saat melatih dataset khusus Anda.
Data: Siapkan Dataset dan Tentukan Jalur Dataset di Data.YAML (Coco, Yolo Format Coco Labels)
Pastikan struktur dataset Anda sebagai berikut:

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

YOLOV6 mendukung mode resolusi input yang berbeda. Untuk detailnya, lihat cara mengatur ukuran input.

Pelatihan melanjutkan

Jika proses pelatihan Anda rusak, Anda dapat melanjutkan pelatihan dengan

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

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

Perintah di atas akan secara otomatis menemukan pos pemeriksaan terbaru di direktori YOLOV6, lalu lanjutkan proses pelatihan.

Anda juga dapat menentukan jalur pos pemeriksaan untuk --resume parameter oleh

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

Ini akan dilanjutkan dari pos pemeriksaan spesifik yang Anda berikan.

Evaluasi

Mereproduksi peta pada dataset Coco Val2017 dengan resolusi 640 × 640 atau 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: Setel untuk mencetak peta dari setiap kelas.
do_coco_metric: Setel true / false untuk mengaktifkan / menonaktifkan metode evaluasi pycocotools.
do_pr_metric: Setel true / false untuk mencetak atau tidak mencetak metrik presisi dan penarikan.
Config-File: Tentukan file konfigurasi untuk menentukan semua param eval, misalnya: yolov6n_with_eval_params.py

Kesimpulan

Pertama, unduh model pretrained dari rilis YOLOV6 atau gunakan model terlatih Anda untuk melakukan inferensi.

Kedua, jalankan inferensi dengan 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

Jika Anda ingin inferensi pada kamera lokal atau kamera web, Anda dapat menjalankan:

 # 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 dapat berupa ID nomor kamera lokal atau alamat RTSP.

Penyebaran

Onnx
OpenCV Python/C ++
Openvino
Tensorrt
Ncnn
Android

Tutorial

Panduan Pengguna (ZH_CN)
Latih Dataset Coco
Latih data khusus
Kecepatan tes
Tutorial kuantisasi untuk yolov6

Sumber Daya Pihak Ketiga

Pelatihan YOLOV6 dengan Amazon Sagemaker: YOLOV6-Sagemaker dari Ashwinccc
Demo Aplikasi Android YOLOV6 NCNN: NCNN-Android-Yolov6 dari Feigechuanshu
Yolov6 onnxruntime/mnn/tnn c ++: yolov6-ort, yolov6-mnn dan yolov6-tnn dari deftruth
YOLOV6 TENRTRT PYTHON: YOLOV6-TENSORRT-PYTHON DARI LINAOM1214
YOLOV6 TENRTRT Windows C ++: Yolort dari Wei Zeng
Demo web YOLOV6 di ruang pelukan dengan gradio.
Demo interaktif di dagshub dengan streamlit
Tutorial: Cara Melatih Yolov6 pada Dataset Kustom
Tutorial YouTube: Cara Melatih Yolov6 pada Dataset Kustom
Demo inferensi yolov6 di google colab
Posting Blog: Deteksi Objek Yolov6 - Penjelasan dan Inferensi Kertas