简体中文 | English
官方论文:
- YOLOv6 v3.0: A Full-Scale Reloading 🔥
- YOLOv6: A Single-Stage Object Detection Framework for Industrial Applications
- [2023.04.28] 发布 移动端轻量级模型 YOLOv6Lite. ⭐️ 移动端模型指标
- [2023.03.10] 发布 YOLOv6-Face. 🔥 人脸检测模型指标
- [2023.03.02] 更新 基础版模型 到 3.0 版本
- [2023.01.06] 发布大分辨率 P6 模型以及对 P5 模型做了全面的升级 ⭐️ 模型指标
- [2022.11.04] 发布 基础版模型 简化训练部署流程
- [2022.09.06] 定制化的模型量化加速方法 🚀 量化教程
- [2022.09.05] 发布 M/L 模型，并且进一步提高了 N/T/S 模型的性能
- [2022.06.23] 发布 N/T/S v1.0 版本模型
| 模型 | 输入尺寸 | mAPval 0.5:0.95 |
速度T4 trt fp16 b1 (fps) |
速度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 |
表格笔记
- 除了 YOLOv6-N6/S6 模型是训练了300轮的结果，其余模型均为自蒸馏训练之后的结果；
- mAP 和速度指标是在 COCO val2017 数据集上评估的，P5模型输入分辨率为 640×640，P6模型输入分辨率为 1280×1280；
- 速度是在 T4 上测试的，TensorRT 版本为 7.2；
- 复现 YOLOv6 的速度指标，请查看 速度测试 教程；
- YOLOv6 的参数和计算量是在推理模式下计算的；
旧版模型
| 模型 | 输入尺寸 | mAPval 0.5:0.95 |
速度T4 trt fp16 b1 (fps) |
速度T4 trt fp16 b32 (fps) |
Params (M) |
FLOPs (G) |
|---|---|---|---|---|---|---|
| YOLOv6-N | 640 | 35.9300e 36.3400e |
802 | 1234 | 4.3 | 11.1 |
| YOLOv6-T | 640 | 40.3300e 41.1400e |
449 | 659 | 15.0 | 36.7 |
| YOLOv6-S | 640 | 43.5300e 43.8400e |
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 |
- 速度是在 T4 上测试的，TensorRT 版本为 7.2；
| 模型 | 输入尺寸 | 精度 | mAPval 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 |
| 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 |
- 速度是在 T4 上测试的，TensorRT 版本为 8.4；
- 精度是在训练 300 epoch 的模型上测试的；
| 模型 | 输入尺寸 | mAPval 0.5:0.95 |
sm8350 (ms) |
mt6853 (ms) |
sdm660 (ms) |
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 |
表格笔记
- 从模型尺寸和输入图片比例两种角度，在构建了移动端系列模型，方便不同场景下的灵活应用。
- 所有权重都经过 400 个 epoch 的训练，并且没有使用蒸馏技术。
- mAP 和速度指标是在 COCO val2017 数据集上评估的，输入分辨率为表格中对应展示的。
- 使用 MNN 2.3.0 AArch64 进行速度测试。测速时，采用2个线程，并开启arm82加速，推理预热10次，循环100次。
- 高通888(sm8350)、天玑720(mt6853)和高通660(sdm660)分别对应高中低端不同性能的芯片，可以作为不同芯片下机型能力的参考。
- NCNN 速度测试教程可以帮助展示及复现 YOLOv6Lite 的 NCNN 速度结果。
安装
git clone https://github.com/meituan/YOLOv6
cd YOLOv6
pip install -r requirements.txt在 COCO 数据集上复现我们的结果
请参考教程 训练 COCO 数据集.
在自定义数据集上微调模型
单卡
# 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多卡 （我们推荐使用 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: 增加anchor-based预测分支并使用联合锚点训练模式 (P6模型暂不支持此功能)
- conf: 配置文件路径，里面包含网络结构、优化器配置、超参数信息。如果您是在自己的数据集训练，我们推荐您使用yolov6n/s/m/l_finetune.py配置文件；
- data: 数据集配置文件，以 COCO 数据集为例，您可以在 COCO 下载数据, 在这里下载 YOLO 格式标签；
- 确保您的数据集按照下面这种格式来组织；
├── coco
│ ├── annotations
│ │ ├── instances_train2017.json
│ │ └── instances_val2017.json
│ ├── images
│ │ ├── train2017
│ │ └── val2017
│ ├── labels
│ │ ├── train2017
│ │ ├── val2017
YOLOv6 支持不同的输入分辨率模式，详情请参见 如何设置输入大小.
恢复训练
如果您的训练进程中断了，您可以这样恢复先前的训练进程。
# 单卡训练
python tools/train.py --resume
# 多卡训练
python -m torch.distributed.launch --nproc_per_node 8 tools/train.py --resume
上面的命令将自动在 YOLOv6 目录中找到最新保存的模型，然后恢复训练。
您也可以通过 --resume 参数指定要恢复的模型路径
# 记得把 /path/to/your/checkpoint/path 替换为您要恢复训练的模型权重路径
--resume /path/to/your/checkpoint/path
这将从您提供的模型路径恢复训练。
评估
在 COCO val2017 数据集上复现我们的结果（输入分辨率 640x640 或 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: 如果要打印每一类的精度信息，请设置为 True；
- do_coco_metric: 设置 True / False 来打开或关闭 pycocotools 的评估；
- do_pr_metric: 设置 True / False 来显示或不显示精度和召回的指标；
- config-file: 指定一个包含所有评估参数的配置文件，例如 yolov6n_with_eval_params.py
推理
首先，从 release页面 下载一个训练好的模型权重文件，或选择您自己训练的模型；
然后，通过 tools/infer.py文件进行推理。
# 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如果您想使用本地摄像头或者网络摄像头，您可以运行:
# 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 0webcam-addr 可以是本地摄像头的 ID，或者是 RTSP 地址。
第三方资源
- YOLOv6 NCNN Android app demo: ncnn-android-yolov6 from FeiGeChuanShu
- YOLOv6 ONNXRuntime/MNN/TNN C++: YOLOv6-ORT, YOLOv6-MNN and YOLOv6-TNN from DefTruth
- YOLOv6 TensorRT Python: yolov6-tensorrt-python from Linaom1214
- YOLOv6 TensorRT Windows C++: yolort from Wei Zeng
- YOLOv6 web demo on Huggingface Spaces with Gradio.
- 教程: 如何用 YOLOv6 训练自己的数据集
- YOLOv6 在 Google Colab 上的推理 Demo
如果您有任何问题，欢迎加入我们的微信群一起讨论交流！
