YOLOv6ダウンロードYOLOv6ソースコードのダウンロード

YOLOv6

パイソン

v6-Segmentation

ダウンロード

英語| 简体中文

Yolov6

紙の実装：

Yolov6 v3.0：本格的なリロード
Yolov6：産業用途向けの単一ステージオブジェクト検出フレームワーク

ベンチマーク

モデル	サイズ	マップ^{val 0.5：0.95}	速度^{T4 TRT FP16 B1 （FPS）}	速度^{T4 TRT FP16 B32 （FPS）}	パラメージ ^（m）	フロップ ^（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

表ノート

すべてのチェックポイントは、蒸留せずに300エポックに訓練されたYolov6-N6/S6モデルを除き、自己抵抗で訓練されています。
マップと速度の結果は、P5モデルでは640×640、P6モデルでは1280x1280の入力解像度で、COCO VAL2017データセットで評価されます。
速度は、T4でTensort 7.2でテストされます。
Yolov6の速度結果を再現するには、テスト速度チュートリアルを参照してください。
Yolov6のパラマとフロップは、展開されたモデルで推定されます。

レガシーモデル

モデル	サイズ	マップ^{val 0.5：0.95}	速度^{T4 TRT FP16 B1 （FPS）}	速度^{T4 TRT FP16 B32 （FPS）}	パラメージ ^（m）	フロップ ^（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

速度は、T4でTensort 7.2でテストされます。

量子化モデル

モデル	サイズ	精度	マップ^{val 0.5：0.95}	速度^{T4 TRT B1 （FPS）}	速度^{T4 TRT B32 （FPS）}
Yolov6-N Repopt	640	INT8	34.8	1114	1828年
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

速度は、T4のTensort8.4でテストされます。
精度は、300エポックのモデルに把握されています。

モバイルベンチマーク

モデル	サイズ	マップ^{val 0.5：0.95}	SM8350 ^（MS）	MT6853 ^（MS）	SDM660 ^（MS）	パラメージ ^（m）	フロップ ^（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

表ノート

モデルサイズと入力画像比の観点から、さまざまなシナリオで柔軟なアプリケーションを容易にするために、モバイル端末に一連のモデルを構築しました。
すべてのチェックポイントは、蒸留せずに400個のエポックでトレーニングされています。
マップと速度の結果は、COCO VAL2017データセットで評価され、入力解像度はテーブルのサイズです。
速度は、ARM82アクセラレーションによって2つのスレッドを使用してMNN 2.3.0 AARCH64でテストされます。推論ウォームアップは10回実行され、サイクルは100回実行されます。
Qualcomm 888（SM8350）、Dimenity 720（MT6853）、およびQualcomm 660（SDM660）は、それぞれ異なるチップ、ミドル、ローエンドで異なるパフォーマンスを持つチップに対応しており、異なるチップの下のモデル機能の参照として使用できます。
Yolov6LiteのNCNN速度結果を再現するには、NCNN速度チュートリアルのテストを参照してください。

クイックスタート

インストール

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

ココで結果を再現します

トレーニングココデータセットを参照してください。

カスタムデータのFinetune

単一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

マルチGPU（DDPモード推奨）

 # 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：アンカーベースの補助ブランチを追加し、アンカー支援トレーニングモードを使用します（現在P6モデルではサポートされていません）
conf：[構成ファイル]を選択して、ネットワーク/オプティマイザー/ハイパーパラメーターを指定します。カスタムデータセットでトレーニングするときは、Yolov6n/s/m/l_finetune.pyを適用することをお勧めします。
データ：データセットを準備し、data.yaml（coco、yolo形式のココラベル）のデータセットパスを指定します
次のように、データセット構造を確認してください。

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

Yolov6は、さまざまな入力解像度モードをサポートしています。詳細については、入力サイズの設定方法を参照してください。

履歴書トレーニング

トレーニングプロセスが破損している場合は、トレーニングを再開できます

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

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

上記のコマンドは、Yolov6ディレクトリの最新のチェックポイントを自動的に見つけ、トレーニングプロセスを再開します。

また、チェックポイントパスを指定することもできます--resumeパラメーター

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

これは、提供する特定のチェックポイントから再開されます。

評価

640×640または1280x1280の解像度でCoCo Val2017データセットのマップを再現する

 # 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

冗長：各クラスのマップを印刷するように真に設定します。
do_coco_metric：pycocotools評価方法を有効 /無効にするためにtrue / falseを設定します。
do_pr_metric：精度を印刷してメトリックをリコールするように印刷するかどうかをtrue / falseを設定します。
config-file：すべての評価パラメーションを定義する構成ファイルを指定します。たとえば、yolov6n_with_eval_params.py

推論

まず、Yolov6リリースから事前に処理されたモデルをダウンロードするか、訓練されたモデルを使用して推論を行います。

第二に、 tools/infer.pyを使用して推論を実行します

 # 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

ローカルカメラまたはWebカメラに推論する場合は、実行できます。

 # 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ローカルカメラ番号IDまたはRTSPアドレスにすることができます。

展開

onnx
opencv python/c ++
OpenVino
Tensort
ncnn
アンドロイド

チュートリアル

ユーザーガイド（zh_cn）
ココデータセットをトレーニングします
カスタムデータをトレーニングします
テスト速度
Yolov6の量子化のチュートリアル

サードパーティのリソース

Amazon SagemakerとのYolov6トレーニング：AshwinccのYolov6-Sagemaker
Yolov6 NCNN Androidアプリデモ：FeigeChuanshuのNCNN-Android-Yolov6
yolov6 onnxruntime/mnn/tnn c ++：yolov6-ort、yolov6-mnnおよびyolov6-tnn from deftruth
Yolov6 Tensorrt Python：linaom1214のyolov6-tensorrt-python
Yolov6 Tensorrt Windows C ++：Wei ZengのYolort
グレード付きのハギングフェイススペースのYolov6 Webデモ。
Restream -Litを使用したDagshubのインタラクティブなデモ
チュートリアル：カスタムデータセットでYolov6をトレーニングする方法
YouTubeチュートリアル：カスタムデータセットでYolov6をトレーニングする方法
Google ColabでのYolov6推論のデモ
ブログ投稿：Yolov6オブジェクトの検出 - 論文の説明と推論