YOLOv6 скачать - загрузка исходного кода YOLOv6

YOLOv6

Питон

v6-Segmentation

Скачать

Английский | 简体中文

Yolov6

Внедрение бумаги:

Yolov6 v3.0: полномасштабная перезагрузка
Yolov6: одноступенчатая структура обнаружения объектов для промышленных применений

Что нового

[2023.09.15] Выпуск Йолов6-сегментации. Производительность
[2023.04.28] Выпустите модели Yolov6lite на мобильном или процессоре. ️ мобильный эталон
[2023.03.10] Выпустить Йолов6-Через. Производительность
[2023.03.02] Обновите базовые модели для версии 3.0.
[2023.01.06] Выпустите модели P6 и повышают производительность моделей P5. ️ эталон
[2022.11.04] выпустить базовые модели, чтобы упростить процесс обучения и развертывания.
[2022.09.06] Индивидуальные методы квантования. Учебник по квантованию
[2022.09.05] Выпустить модели M/L и обновлять модели N/T/S с повышенной производительностью.
[2022.06.23] Выпустите модели N/T/S с отличной производительностью.

Эталон

Модель	Размер	карта ^{Вэл 0,5: 0,95}	Скорость ^{T4 TRT FP16 B1 (FPS)}	Скорость ^{T4 TRT FP16 B32 (FPS)}	Параметры ^(М)	Флопс ^(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

Таблицы примечания

Все контрольно-пропускные пункты обучаются с самоопределением, за исключением моделей YOLOV6-N6/S6, обученных 300 эпохам без дистилляции.
Результаты карты и скорости оцениваются на наборе данных Coco Val2017 с входным разрешением 640 × 640 для моделей P5 и 1280x1280 для моделей P6.
Скорость тестируется с помощью Tensorrt 7.2 на T4.
См. Учебное пособие по скорости тестирования, чтобы воспроизвести результаты скорости Yolov6.
Парамы и флопы Yolov6 оцениваются на развернутых моделях.

Наследие модели

Модель	Размер	карта ^{Вэл 0,5: 0,95}	Скорость ^{T4 TRT FP16 B1 (FPS)}	Скорость ^{T4 TRT FP16 B32 (FPS)}	Параметры ^(М)	Флопс ^(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

Скорость тестируется с помощью Tensorrt 7.2 на T4.

Квантовая модель

Модель	Размер	Точность	карта ^{Вэл 0,5: 0,95}	Скорость ^{T4 TRT B1 (FPS)}	Скорость ^{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

Скорость тестируется с помощью Tensorrt 8.4 на T4.
Точность определяется на моделях для 300 эпох.

Мобильный эталон

Модель	Размер	карта ^{Вэл 0,5: 0,95}	SM8350 ^(РС)	MT6853 ^(РС)	SDM660 ^(РС)	Параметры ^(М)	Флопс ^(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

Таблицы примечания

С точки зрения размера модели и отношения входного изображения, мы создали серию моделей на мобильной терминале, чтобы облегчить гибкие приложения в разных сценариях.
Все контрольно -пропускные пункты обучаются с 400 эпохами без дистилляции.
Результаты карты и скорости оцениваются на наборе данных Coco Val2017, а входное разрешение - это размер в таблице.
Скорость тестируется на MNN 2.3.0 AARCH64 с 2 потоками с помощью ускорения ARM82. Разминка вывода выполняется 10 раз, а цикл выполняется 100 раз.
Qualcomm 888 (SM8350), Dimensity 720 (MT6853) и Qualcomm 660 (SDM660) соответствуют чипам с различными характеристиками на высоком, среднем и низком уровне соответственно, которые могут использоваться в качестве ссылки для модельных возможностей при различных чипах.
Обратитесь к учебному пособию Speed Test NCNN, чтобы воспроизвести результаты скорости NCNN of Yolov6lite.

Быстрый старт

Установить

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

Воспроизведите наши результаты на Coco

Пожалуйста, обратитесь к набору данных Train Coco.

Finetune на пользовательских данных

Одиночный графический процессор

 # 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 (рекомендуется режим DDP)

 # 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: Добавьте вспомогательную ветвь на основе якоря и используйте режим обучения привязке (в настоящее время не поддерживается на моделях P6)
Conf: выберите файл конфигурации, чтобы указать сеть/оптимизатор/гиперпараметра. Мы рекомендуем применить yolov6n/s/m/l_finetune.py при обучении на заказе данных.
Данные: подготовьте набор данных и укажите пути набора данных в Data.yaml (Coco, формат yolo format coco)
Убедитесь, что структура вашего набора данных следующим образом:

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

Yolov6 поддерживает различные режимы входного разрешения. Для получения подробной информации см. Как установить размер входа.

Резюме обучение

Если ваш тренировочный процесс поврежден, вы можете возобновить обучение

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

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

Выше команда автоматически найдет последнюю контрольную точку в каталоге Yolov6, а затем возобновит процесс обучения.

Вы также можете указать путь контрольной точки для параметра --resume

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

Это возобновится с конкретной контрольной точки, которую вы предоставляете.

Оценка

Воспроизведите карту на наборе данных Coco Val2017 с разрешением 640 × 640 или 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

ПЕРБОЗА: Установите True для печати карты каждого класса.
do_coco_metric: установить true / false, чтобы включить / отключить метод оценки PycoCotools.
do_pr_metric: установить true / false для печати или не печатать метрики точности и отзыв.
Config-file: укажите файл конфигурации для определения всех параметров Eval, например: yolov6n_with_eval_params.py

Вывод

Во -первых, загрузите предварительную модель из выпуска Yolov6 или используйте свою обученную модель для вывода.

Во -вторых, запустите вывод с 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

Если вы хотите сделать вывод на локальной камере или веб -камере, вы можете запустить:

 # 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 может быть локальным идентификатором номера камеры или адресом RTSP.

Развертывание

Onnx
OpenCV Python/C ++
OpenVino
Тенсорт
Ncnn
Android

Учебные пособия

Руководство пользователя (ZH_CN)
Обучить набор данных Coco
Обучить пользовательские данные
Скорость испытания
Учебное пособие по квантованию для Yolov6

Сторонние ресурсы

Обучение Yolov6 с Amazon Sagemaker: Yolov6-Sagemaker из Ashwincc
Yolov6 NCNN Android App Demo: Ncnn-Android-Yolov6 из FeigeChuanshu
Yolov6 onnxruntime/mnn/tnn c ++: yolov6-ort, yolov6-mnn и yolov6-tnn из deftruth
Yolov6 Tensorrt Python: Yolov6-Tensorrt-Python из Linaom1214
Yolov6 Tensorrt Windows C ++: Yolort от Wei Zeng
Демонстрация Web Yolov6 на пространствах для объятий с Gradio.
Интерактивная демонстрация на Dagshub с
Учебное пособие: как тренировать Yolov6 на пользовательском наборе данных
Учебное пособие на YouTube: Как тренировать Yolov6 на пользовательском наборе данных
Демонстрация вывода Yolov6 в Google Colab
Сообщение в блоге: обнаружение объектов Yolov6 - Пояснение и вывод бумаги