首页>编程相关>Python
下载

英语| 简体中文



Yolov6

纸的实施：

  • Yolov6 v3.0：全面重装
  • Yolov6：用于工业应用的单阶段对象检测框架

什么是新的

  • [2023.09.15]释放Yolov6分割。表现
  • [2023.04.28]在移动或CPU上释放Yolov6lite模型。 移动基准
  • [2023.03.10]释放Yolov6-Face。表现
  • [2023.03.02]将基本模型更新为版本3.0。
  • [2023.01.06]释放P6模型并增强P5模型的性能。配立基准
  • [2022.11.04]发布基本模型，以简化培训和部署过程。
  • [2022.09.06]自定义量化方法。量化教程
  • [2022.09.05]发布M/L模型并更新具有增强性能的N/T/S模型。
  • [2022.06.23]释放具有出色性能的N/T/S模型。

基准

模型尺寸地图阀
0.5：0.95		速度T4
TRT FP16 B1
（FPS）		速度T4
TRT FP16 B32
（FPS）		参数
（M）		拖鞋
（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
表注释
  • 除Yolov6-N6/S6型号外，均经过自我验证训练所有检查站，该模型训练了300个时代而无需蒸馏。
  • 在可可Val2017数据集上评估了地图和速度的结果，P5型号的输入分辨率为640×640，而P6型号的结果分辨率为1280x1280。
  • 速度在T4上用Tensorrt 7.2测试。
  • 请参阅测试速度教程以重现Yolov6的速度结果。
  • 在部署的模型上估算了Yolov6的参数和触发器。
旧模型
模型尺寸地图阀
0.5：0.95		速度T4
TRT FP16 B1
（FPS）		速度T4
TRT FP16 B32
（FPS）		参数
（M）		拖鞋
（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
  • 速度在T4上用Tensorrt 7.2测试。

量化模型

模型尺寸精确地图阀
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
  • 速度在T4上用Tensorrt 8.4测试。
  • 在300个时期的模型上可以计算精度。

移动基准

模型尺寸地图阀
0.5：0.95		 SM8350
（多发性硬化症）		 MT6853
（多发性硬化症）		 SDM660
（多发性硬化症）		参数
（M）		拖鞋
（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
表注释
  • 从模型大小和输入图像比率的角度来看，我们在移动终端上建立了一系列型号，以促进不同情况下的灵活应用。
  • 所有检查点均经过400个时期训练，无需蒸馏。
  • 地图和速度的结果在可可Val2017数据集上评估，并且输入分辨率为表中的大小。
  • 速度在MNN 2.3.0 AARCH64上测试，并通过ARM82加速2个线程。推理热身进行10次，并且周期进行100次。
  • Qualcomm 888（SM8350），Dimente 720（MT6853）和Qualcomm 660（SDM660）分别对应于高，中和低端的芯片，可以用作不同芯片下模型能力的参考。
  • 请参阅测试NCNN速度教程，以重现Yolov6lite的NCNN速度结果。

快速开始

安装
git clone https://github.com/meituan/YOLOv6
cd YOLOv6
pip install -r requirements.txt
再现我们对可可的结果

请参阅火车可可数据集。

定制数据的Finetune

单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

多GPU（建议使用DDP模式） 

 # 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：添加基于锚的辅助分支并使用锚固辅助训练模式（当前不支持P6型号）
  • conf：选择配置文件以指定网络/优化器/超级参数。我们建议在自定义数据集上培训时应用Yolov6n/s/m/l_finetune.py。
  • 数据：准备数据集并在data.yaml中指定数据集路径（可可，yolo格式可可标签）
  • 确保您的数据集结构如下： 
 ├── coco
│   ├── annotations
│   │   ├── instances_train2017.json
│   │   └── instances_val2017.json
│   ├── images
│   │   ├── train2017
│   │   └── val2017
│   ├── labels
│   │   ├── train2017
│   │   ├── val2017
│   ├── LICENSE
│   ├── README.txt

Yolov6支持不同的输入分辨率模式。有关详细信息，请参阅如何设置输入大小。

简历培训

如果您的培训过程被破坏，您可以通过

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

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

上面的命令将在Yolov6目录中自动找到最新的检查点，然后恢复培训过程。

您还可以--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

这将从您提供的特定检查点恢复。

评估

与640×640或1280x1280分辨率的可可Val2017数据集复制地图

 # 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
  • 冗长：设置为每个类的打印地图。
  • do_coco_metric：设置为true / false启用 /禁用pycocotools评估方法。
  • do_pr_metric：设置为true / false以打印或不打印精度并召回指标。
  • config-file：指定一个配置文件来定义所有评估参数，例如：yolov6n_with_eval_params.py
推理

首先，从Yolov6发行版中下载验证的模型，或使用训练有素的模型进行推断。

其次，使用tools/infer.py运行推理。 

 # 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

如果要推断本地相机或网络相机，则可以运行： 

 # 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可以是本地相机号码ID或RTSP地址。

部署
  • onnx
  • OPENCV PYTHON/C ++
  • Openvino
  • 张力
  • NCNN
  • 安卓
教程
  • 用户指南（ZH_CN）
  • 火车可可数据集
  • 火车自定义数据
  • 测试速度
  • Yolov6的量化教程
第三方资源

  • Yolov6与Amazon SageMaker培训：Ashwincc的Yolov6-Agemaker

  • Yolov6 NCNN Android应用程序演示：Feigechuanshu的NCNN-ANDROID-YOLOV6

  • yolov6 onnxruntime/mnn/tnn c ++：yolov6-ort，yolov6-mnn和deftruth的yolov6-tnn

  • Yolov6 Tensorrt Python：linaom1214的Yolov6-Tensorrt-Python

  • Yolov6 tensorrt Windows C ++：Wei Zeng的Yolort

  • Yolov6 Web演示在带有Gradio的拥抱面空间上。

  • dagshub上的互动演示

  • 教程：如何在自定义数据集上训练yolov6

  • YouTube教程：如何在自定义数据集上训练Yolov6

  • Yolov6推断Google Colab的演示

  • 博客文章：yolov6对象检测 - 纸张解释和推理

常见问题解答（不断更新）

如果您有任何疑问，欢迎加入我们的微信集团讨论和交流。

展开
附加信息
相关应用
为您推荐
相关资讯 全部