YOLOv6 다운로드 - YOLOv6 소스 코드 다운로드

YOLOv6

파이썬

v6-Segmentation

다운로드

영어 | 简体中文

yolov6

종이 구현 :

Yolov6 v3.0 : 본격적인 재 장전
YOLOV6 : 산업 응용 분야를위한 단일 단계 객체 감지 프레임 워크

새로운 것

[2023.09.15] yolov6- 세분화 방출. 성능
[2023.04.28] 모바일 또는 CPU에서 Yolov6lite 모델을 릴리스합니다. ️ 모바일 벤치 마크
[2023.03.10] 릴리스 YOLOV6-FACE. 성능
[2023.03.02] 기본 모델을 버전 3.0으로 업데이트하십시오.
[2023.01.06] P6 모델을 릴리스하고 P5 모델의 성능을 향상시킵니다. 옆 벤치 마크
[2022.11.04] 훈련 및 배포 프로세스를 단순화하기위한 기본 모델을 릴리스합니다.
[2022.09.06] 맞춤형 양자화 방법. 양자화 자습서
[2022.09.05] M/L 모델을 릴리스하고 성능이 향상된 N/T/S 모델을 업데이트합니다.
[2022.06.23] 우수한 성능을 가진 N/T/S 모델을 릴리스합니다.

기준

모델	크기	지도 ^{발 0.5 : 0.95}	속도 ^{T4 TRT FP16 B1 (FPS)}	속도 ^{T4 TRT FP16 B32 (FPS)}	매개 변수 ^(중)	플롭 ^(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

표 참고

모든 체크 포인트는 증류없이 300 개의 에포크로 훈련 된 Yolov6-N6/S6 모델을 제외하고는 자기 방지로 훈련됩니다.
MAP 및 속도의 결과는 P5 모델의 경우 640 × 640, P6 모델의 경우 1280x1280을 갖춘 Coco Val2017 데이터 세트에서 평가됩니다.
속도는 T4에서 Tensorrt 7.2로 테스트됩니다.
YOLOV6의 속도 결과를 재현하려면 Test Speed Tutorial을 참조하십시오.
YOLOV6의 매개 변수 및 플롭은 배포 된 모델에서 추정됩니다.

레거시 모델

모델	크기	지도 ^{발 0.5 : 0.95}	속도 ^{T4 TRT FP16 B1 (FPS)}	속도 ^{T4 TRT FP16 B32 (FPS)}	매개 변수 ^(중)	플롭 ^(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

속도는 T4에서 Tensorrt 7.2로 테스트됩니다.

양자화 된 모델

모델	크기	정도	지도 ^{발 0.5 : 0.95}	속도 ^{T4 TRT B1 (FPS)}	속도 ^{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

속도는 T4에서 Tensorrt 8.4로 테스트됩니다.
300 개의 에포크 모델에서 정밀도가 파악됩니다.

모바일 벤치 마크

모델	크기	지도 ^{발 0.5 : 0.95}	SM8350 ^(MS)	MT6853 ^(MS)	SDM660 ^(MS)	매개 변수 ^(중)	플롭 ^(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

표 참고

모델 크기와 입력 이미지 비율의 관점에서, 우리는 다양한 시나리오에서 유연한 응용 프로그램을 용이하게하기 위해 모바일 터미널에 일련의 모델을 구축했습니다.
모든 체크 포인트는 증류없이 400 개의 에포크로 훈련됩니다.
맵과 속도의 결과는 Coco Val2017 데이터 세트에서 평가되며 입력 해상도는 테이블의 크기입니다.
속도는 MNN 2.3.0 AARCH64에서 ARM82 가속으로 2 개의 스레드를 테스트합니다. 추론 워밍업은 10 회 수행되며 사이클은 100 회 수행됩니다.
Qualcomm 888 (SM8350), Dimensity 720 (MT6853) 및 Qualcomm 660 (SDM660)은 각각 높고, 중간 및 저가에서 서로 다른 성능을 가진 칩에 해당하며, 이는 서로 다른 칩 하에서 모델 기능에 대한 참조로 사용될 수 있습니다.
NCNN 속도 튜토리얼을 참조하여 Yolov6lite의 NCNN 속도 결과를 재현하십시오.

빠른 시작

설치하다

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

코코에서 결과를 재현하십시오

Train Coco 데이터 세트를 참조하십시오.

사용자 정의 데이터에 대한 Finetune

단일 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

멀티 GPU (DDP 모드 권장)

 # 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 : 앵커 기반 보조 지점을 추가하고 앵커 보조 훈련 모드를 사용하십시오 (현재 P6 모델에서는 지원되지 않음)
conf : 구성 파일을 선택하여 네트워크/최적화기/하이퍼 파라미터를 지정하십시오. 사용자 정의 데이터 세트에서 교육 할 때는 YOLOV6N/S/M/L_FINETUNE.PY를 적용하는 것이 좋습니다.
데이터 : 데이터 세트 준비 및 데이터 세트 경로를 Data.yaml (Coco, Yolo Format Coco Labels)
다음과 같이 데이터 세트 구조를 확인하십시오.

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

YOLOV6은 다른 입력 해상도 모드를 지원합니다. 자세한 내용은 입력 크기를 설정하는 방법을 참조하십시오.

훈련을 재개하십시오

교육 과정이 손상되면 교육을 재개 할 수 있습니다.

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

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

위의 명령은 YOLOV6 디렉토리에서 최신 체크 포인트를 자동으로 찾은 다음 교육 프로세스를 재개합니다.

또한 --resume 매개 변수에 대한 체크 포인트 경로를 지정할 수도 있습니다.

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

이것은 당신이 제공하는 특정 체크 포인트에서 재개됩니다.

평가

640 × 640 또는 1280x1280 해상도로 Coco Val2017 데이터 세트에서지도를 재현하십시오.

 # 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 : 각 클래스의지도를 인쇄하도록 충실하십시오.
do_coco_metric : pycocotools 평가 방법을 활성화 / 비활성화하려면 true / false를 설정합니다.
DO_PR_METRIC : 정밀도를 인쇄하거나 인쇄하지 않도록 True / False를 설정하고 메트릭을 리콜하지 않습니다.
config-file : 모든 평가 매개 변수를 정의 할 구성 파일을 지정하십시오.

추론

먼저, YOLOV6 릴리스에서 사전 고정 된 모델을 다운로드하거나 훈련 된 모델을 사용하여 추론하십시오.

둘째, tools/infer.py 에 대한 추론을 실행하십시오

 # 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

로컬 카메라 나 웹 카메라에서 추론하려면 다음을 실행할 수 있습니다.

 # 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 로컬 카메라 번호 ID 또는 RTSP 주소 일 수 있습니다.

전개