Download YOLOv6 - YOLOv6 download do código -fonte

YOLOv6

Pitão

v6-Segmentation

Baixar

Inglês | 简体中文

Yolov6

Implementação de papel:

Yolov6 v3.0: uma recarga em larga escala
Yolov6: uma estrutura de detecção de objetos de estágio único para aplicações industriais

O que há de novo

[2023.09.15] Libere a segmentação de Yolov6. Desempenho
[2023.04.28] Libere os modelos Yolov6lite no celular ou na CPU. ️ Benchmark móvel
[2023.03.10] Libere Yolov6-Face. Desempenho
[2023.03.02] Atualize os modelos básicos para a versão 3.0.
[2023.01.06] Libere os modelos P6 e aprimore o desempenho dos modelos P5. ️ Benchmark
[2022.11.04] Libere os modelos de base para simplificar o processo de treinamento e implantação.
[2022.09.06] Métodos de quantização personalizados. Tutorial de quantização
[2022.09.05] Release modelos M/L e atualize modelos N/T/S com desempenho aprimorado.
[2022.06.23] Libere os modelos N/T/S com excelente desempenho.

Benchmark

Modelo	Tamanho	mapa ^{val 0,5: 0,95}	Velocidade ^{T4 TRT FP16 B1 (FPS)}	Velocidade ^{T4 TRT FP16 B32 (FPS)}	Params ^(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

Notas da tabela

Todos os pontos de verificação são treinados com autodistilação, exceto os modelos Yolov6-N6/S6 treinados para 300 épocas sem destilação.
Os resultados do mapa e da velocidade são avaliados no conjunto de dados Coco Val2017 com a resolução de entrada de 640 × 640 para modelos P5 e 1280x1280 para modelos P6.
A velocidade é testada com Tensorrt 7.2 em T4.
Consulte o tutorial de velocidade de teste para reproduzir os resultados da velocidade do Yolov6.
Params e flops de Yolov6 são estimados em modelos implantados.

Modelos legados

Modelo	Tamanho	mapa ^{val 0,5: 0,95}	Velocidade ^{T4 TRT FP16 B1 (FPS)}	Velocidade ^{T4 TRT FP16 B32 (FPS)}	Params ^(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

A velocidade é testada com Tensorrt 7.2 em T4.

Modelo quantizado

Modelo	Tamanho	Precisão	mapa ^{val 0,5: 0,95}	Velocidade ^{T4 TRT B1 (FPS)}	Velocidade ^{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

A velocidade é testada com o Tensorrt 8.4 em T4.
A precisão é calculada em modelos para 300 épocas.

Benchmark móvel

Modelo	Tamanho	mapa ^{val 0,5: 0,95}	SM8350 ^(EM)	MT6853 ^(EM)	SDM660 ^(EM)	Params ^(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

Notas da tabela

Do ponto de vista do tamanho do modelo e da proporção da imagem de entrada, construímos uma série de modelos no terminal móvel para facilitar aplicativos flexíveis em diferentes cenários.
Todos os pontos de verificação são treinados com 400 épocas sem destilação.
Os resultados do mapa e da velocidade são avaliados no conjunto de dados Coco Val2017, e a resolução de entrada é o tamanho da tabela.
A velocidade é testada no MNN 2.3.0 AARCH64 com 2 threads por aceleração do ARM82. O aquecimento da inferência é realizado 10 vezes e o ciclo é realizado 100 vezes.
Qualcomm 888 (SM8350), Dimensidade 720 (MT6853) e Qualcomm 660 (SDM660) correspondem a chips com diferentes performances nos diferentes chips.
Consulte o tutorial de velocidade NCNN de teste para reproduzir os resultados da velocidade do NCNN do Yolov6lite.

Início rápido

Instalar

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

Reproduzir nossos resultados em Coco

Consulte o conjunto de dados de treinar Coco.

Finetune em dados 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

Multi GPUs (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: Adicione a filial auxiliar baseada em âncora e use o modo de treinamento auxiliado por âncora (não suportado nos modelos P6 atualmente) atualmente)
conf: selecione Config Argh para especificar Network/Optimizer/HyperParameters. Recomendamos aplicar Yolov6n/s/m/l_fineTune.py ao treinar no seu conjunto de dados personalizado.
Dados: Prepare o conjunto de dados e especifique os caminhos do conjunto de dados em dados.
Verifique se a estrutura do seu conjunto de dados da seguinte forma:

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

Yolov6 suporta diferentes modos de resolução de entrada. Para detalhes, consulte como definir o tamanho da entrada.

Retomar o treinamento

Se o seu processo de treinamento estiver corrompido, você pode retomar o treinamento 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

O comando acima encontrará automaticamente o ponto de verificação mais recente no diretório YOLOV6 e retomará o processo de treinamento.

Seu também pode especificar um caminho de ponto de verificação para -o parâmetro --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

Isso será retomado do ponto de verificação específico que você fornece.

Avaliação

Reproduzir mapa no conjunto de dados Coco Val2017 com resolução 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: defina verdadeiro para imprimir mapa de cada classes.
do_coco_metric: defina true / false para ativar / desativar o método de avaliação de pycocotools.
do_pr_metric: defina true / false para imprimir ou não imprimir as métricas de precisão e recuperar.
Config-File: Especifique um arquivo de configuração para definir todos os parâmetros de avaliação, por exemplo: yolov6n_with_eval_params.py

Inferência

Primeiro, faça o download de um modelo pré -terenciado do lançamento do Yolov6 ou use seu modelo treinado para fazer inferência.

Segundo, execute a inferência com 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

Se você deseja ingerir na câmera local ou na câmera da web, pode executar:

 # 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 pode ser o ID do número da câmera local ou o endereço RTSP.

Implantação