ดาวน์โหลด YOLOv6 - YOLOv6 Source Source Download

YOLOv6

หลาม

v6-Segmentation

ดาวน์โหลด

ภาษาอังกฤษ | 简体中文

YOLOV6

การใช้งานกระดาษ:

YOLOV6 v3.0: การโหลดเต็มรูปแบบเต็มรูปแบบ
YOLOV6: กรอบการตรวจจับวัตถุขั้นตอนเดียวสำหรับการใช้งานอุตสาหกรรม

มีอะไรใหม่

[2023.09.15] ปล่อย YOLOV6-segmentation ผลงาน
[2023.04.28] ปล่อยรุ่น YOLOV6LITE บนมือถือหรือ CPU benchmark มือถือ
[2023.03.10] ปล่อย YOLOV6-Face ผลงาน
[2023.03.02] อัปเดตโมเดลพื้นฐานเป็นเวอร์ชัน 3.0
[2023.01.06] ปล่อยโมเดล P6 และเพิ่มประสิทธิภาพของโมเดล P5 benchmark
[2022.11.04] รุ่นพื้นฐานที่วางจำหน่ายเพื่อลดความซับซ้อนของกระบวนการฝึกอบรมและการปรับใช้
[2022.09.06] วิธีการหาปริมาณที่กำหนดเอง การสอนเชิงปริมาณ
[2022.09.05] รุ่น M/L และอัปเดตรุ่น N/T/S พร้อมประสิทธิภาพที่เพิ่มขึ้น
[2022.06.23] รุ่น N/T/S ที่เปิดตัวพร้อมประสิทธิภาพที่ยอดเยี่ยม

เกณฑ์มาตรฐาน

แบบอย่าง	ขนาด	แผนที่ ^{Val 0.5: 0.95}	ความเร็ว ^{T4 TRT FP16 B1 (FPS)}	ความเร็ว ^{T4 TRT FP16 B32 (FPS)}	พารามิเตอร์ ^(M)	ความกระฉับกระเฉง ^(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

บันทึกตาราง

จุดตรวจทั้งหมดได้รับการฝึกฝนด้วยการยั่วยุด้วยตนเองยกเว้นรุ่น YOLOV6-N6/S6 ที่ผ่านการฝึกอบรมถึง 300 Epochs โดยไม่มีการกลั่น
ผลลัพธ์ของแผนที่และความเร็วได้รับการประเมินในชุดข้อมูล Coco Val2017 ที่มีความละเอียดอินพุต 640 × 640 สำหรับรุ่น P5 และ 1280x1280 สำหรับรุ่น P6
ความเร็วถูกทดสอบด้วย Tensorrt 7.2 บน T4
อ้างถึงการสอนความเร็วในการทดสอบเพื่อทำซ้ำผลลัพธ์ความเร็วของ YOLOV6
Params และ Flops ของ YOLOV6 ถูกประเมินในโมเดลที่ปรับใช้

รุ่นมรดก

แบบอย่าง	ขนาด	แผนที่ ^{Val 0.5: 0.95}	ความเร็ว ^{T4 TRT FP16 B1 (FPS)}	ความเร็ว ^{T4 TRT FP16 B32 (FPS)}	พารามิเตอร์ ^(M)	ความกระฉับกระเฉง ^(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

ความเร็วถูกทดสอบด้วย Tensorrt 7.2 บน T4

รูปแบบเชิงปริมาณ

แบบอย่าง	ขนาด	ความแม่นยำ	แผนที่ ^{Val 0.5: 0.95}	ความเร็ว ^{T4 TRT B1 (FPS)}	ความเร็ว ^{T4 TRT B32 (FPS)}
YOLOV6-N repopt	640	int8	34.8	1114	2371
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
repopt yolov6-s	640	int8	43.3	619	924
YOLOV6-S	640	FP16	43.5	377	541

ความเร็วถูกทดสอบด้วย Tensorrt 8.4 บน T4
มีความแม่นยำในการคิดแบบจำลองสำหรับ 300 ยุค

เกณฑ์มาตรฐานมือถือ

แบบอย่าง	ขนาด	แผนที่ ^{Val 0.5: 0.95}	SM8350 ^(MS)	MT6853 ^(MS)	SDM660 ^(MS)	พารามิเตอร์ ^(M)	ความกระฉับกระเฉง ^(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

บันทึกตาราง

จากมุมมองของขนาดรุ่นและอัตราส่วนภาพอินพุตเราได้สร้างชุดของรุ่นบนเทอร์มินัลมือถือเพื่ออำนวยความสะดวกในการใช้งานที่ยืดหยุ่นในสถานการณ์ที่แตกต่างกัน
จุดตรวจทั้งหมดได้รับการฝึกฝนด้วย 400 Epochs โดยไม่ต้องกลั่น
ผลลัพธ์ของแผนที่และความเร็วได้รับการประเมินในชุดข้อมูล Coco Val2017 และความละเอียดอินพุตคือขนาดในตาราง
ความเร็วถูกทดสอบบน MNN 2.3.0 AARCH64 ด้วย 2 เธรดโดยการเร่งความเร็ว ARM82 การอุ่นเครื่องการอนุมานจะดำเนินการ 10 ครั้งและรอบจะดำเนินการ 100 ครั้ง
Qualcomm 888 (SM8350), ขนาด 720 (MT6853) และ Qualcomm 660 (SDM660) สอดคล้องกับชิปที่มีการแสดงที่แตกต่างกันที่สูงกลางและต่ำตามลำดับซึ่งสามารถใช้เป็นข้อมูลอ้างอิงสำหรับความสามารถของแบบจำลองภายใต้ชิปที่แตกต่างกัน
อ้างถึงการทดสอบการสอนความเร็ว NCNN เพื่อทำซ้ำผลลัพธ์ความเร็ว NCNN ของ YOLOV6LITE

เริ่มต้นอย่างรวดเร็ว

ติดตั้ง

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

ทำซ้ำผลลัพธ์ของเราเกี่ยวกับ Coco

โปรดดูชุดข้อมูล Coco Train

Finetune เกี่ยวกับข้อมูลที่กำหนดเอง

GPU เดี่ยว

 # 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 (แนะนำโหมด 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: เพิ่มสาขาเสริมที่ใช้สมอและใช้โหมดการฝึกอบรมที่ได้รับความช่วยเหลือจาก Anchor (ไม่รองรับในรุ่น P6 ในปัจจุบัน)
Conf: เลือกไฟล์ config เพื่อระบุเครือข่าย/เครื่องมือเพิ่มประสิทธิภาพ/hyperparameters เราขอแนะนำให้ใช้ yolov6n/s/m/l_finetune.py เมื่อฝึกอบรมในชุดข้อมูลที่กำหนดเองของคุณ
ข้อมูล: เตรียมชุดข้อมูลและระบุเส้นทางชุดข้อมูลใน data.yaml (Coco, รูปแบบ Yolo Coco Labels)
ตรวจสอบให้แน่ใจว่าโครงสร้างชุดข้อมูลของคุณดังนี้:

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

YOLOV6 รองรับโหมดความละเอียดอินพุตที่แตกต่างกัน สำหรับรายละเอียดดูวิธีการตั้งค่าขนาดอินพุต

การฝึกอบรมต่อ

หากกระบวนการฝึกอบรมของคุณเสียหายคุณสามารถฝึกอบรมต่อได้โดย

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

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

คำสั่งด้านบนจะค้นหาจุดตรวจสอบล่าสุดในไดเรกทอรี YOLOV6 โดยอัตโนมัติจากนั้นกลับมาทำงานฝึกอบรมต่อ

ของคุณยังสามารถระบุเส้นทางจุด --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

สิ่งนี้จะกลับมาทำงานจากจุดตรวจสอบเฉพาะที่คุณมีให้

การประเมิน

ทำซ้ำแผนที่บนชุดข้อมูล Coco Val2017 พร้อมความละเอียด 640 × 640 หรือ 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: ตั้งค่าจริงเพื่อพิมพ์แผนที่ของแต่ละคลาส
DO_COCO_METRIC: ตั้งค่าจริง / เท็จเพื่อเปิด / ปิดใช้งานวิธีการประเมิน PyCocotools
DO_PR_METRIC: ตั้งค่าจริง / เท็จให้พิมพ์หรือไม่พิมพ์ความแม่นยำและการเรียกคืนตัวชี้วัด
config-file: ระบุไฟล์กำหนดค่าเพื่อกำหนดพารามิเตอร์ eval ทั้งหมดตัวอย่างเช่น: yolov6n_with_eval_params.py

การอนุมาน

ก่อนอื่นให้ดาวน์โหลดโมเดลที่ผ่านการฝึกอบรมจากการเปิดตัว YOLOV6 หรือใช้โมเดลที่ผ่านการฝึกอบรมของคุณเพื่ออนุมาน

ประการที่สองเรียกใช้การอนุมานด้วย 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

หากคุณต้องการอนุมานกับกล้องในท้องถิ่นหรือกล้องเว็บคุณสามารถเรียกใช้:

 # 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 สามารถเป็นรหัสหมายเลขกล้องในท้องถิ่นหรือที่อยู่ RTSP

การปรับใช้

onnx
OpenCV Python/C ++
Openvino
Tensorrt
ncnn
Android

บทเรียน

คู่มือผู้ใช้ (ZH_CN)
ฝึกอบรมชุดข้อมูล Coco
ฝึกอบรมข้อมูลที่กำหนดเอง
ความเร็วในการทดสอบ
การสอนการหาปริมาณสำหรับ YOLOV6

ทรัพยากรบุคคลที่สาม

การฝึกอบรม YOLOV6 กับ Amazon Sagemaker: YOLOV6-SAGEMAKER จาก ASHWINCC
YOLOV6 NCNN แอปแอปตัวอย่าง: NCNN-Android-YOLOV6 จาก Feigechuanshu
YOLOV6 ONNXRUNTIME/MNN/TNN C ++: YOLOV6-ORT, YOLOV6-MNN และ YOLOV6-TNN จาก deftruth
YOLOV6 TENSORRT PYTHON: YOLOV6-TENSORRT-PYTHON จาก LINAOM1214
yolov6 tensorrt windows c ++: โยลอร์ทจาก Wei Zeng
YOLOV6 Web Demo เกี่ยวกับพื้นที่ HuggingFace กับ Gradio
การสาธิตแบบอินเทอร์แอคทีฟบน dagshub ด้วย streamlit
การสอน: วิธีฝึก YOLOV6 ในชุดข้อมูลที่กำหนดเอง
การสอน YouTube: วิธีฝึก YOLOV6 ในชุดข้อมูลที่กำหนดเอง
การสาธิตการอนุมาน YOLOV6 บน Google Colab
บล็อกโพสต์: การตรวจจับวัตถุ YOLOV6 - คำอธิบายกระดาษและการอนุมาน