论文链接：https://arxiv.org/pdf/2209.02976

代码链接：https://github.com/meituan/YOLOv6

YOLOv6(已取得YOLO作者的许可，不再是YOLOv6-MT)是美团技术团队面向工业应用设计的单阶段目标检测方案，在吸收了近年来大量"先进知识"后取得了SOTA性能，可参考上图。相关指标简要描述如下：

  • YOLOv6-N取得了35.9%@COCO，吞吐量达1234FPS@Tesla T4 GPU；
  • YOLOv6-S取得了43.5%@COCO，吞吐量达495FPS，超越了YOLOv5-S，YOLOX-S，PPYOLOE-S；
  • Quantized-YOLOv6-S取得了43.3%@COCO，吞吐量达869FPS；
  • YOLOv6-M/L 分别取得了49.5%@COCO、52.3%@COCO，同等速度下性能超出其他方案。

 

『简要概括』

关于YOLOv6，其新颖设计主要包含以下几个方面：

  • Network Design：在骨干方面，对于小模型，作者采用RepBlock进行构建；在大模型方面，我们采用CSPStackRepBlock进行构建；在Neck方面，作者延续了YOLOv4与YOLOv5的PAN架构，同时采用RepBlock与CSPStackRepBlock进行增强；在Head方面，作者对"解耦头"进行了简化并将其命名为"Efficient Decouple Head"；
  • Lable Assignment：在标签分配方面，作者对TOOD、YOLOX、SiouLoss、ObjectBox以及ATSS等方案进行了评估，最终确认TAL更为有效且训练友好；
  • Loss Function：损失函数一般包含cls loss、box-regression loss以及object loss。作者对齐进行了系统性分析并最终选择VariFocal Loss作为分类损失，SIoU/GIoU作为回归损失；
  • Industry-handy Improvement：作者还引入了自蒸馏与更长训练周期等技巧进一步提升性能；
  • Quantization and Deployment：为弥补重参数模型的量化损失，作者采用RepOptimizer对YOLOv6进行训练以得到PTQ友好的权值；作者还锦衣采用QAT、通道蒸馏以及图优化等技术进一步追求极致性能。最终Quantized-YOLOv6-S以869FPS(batch=32)吞吐量取得了新的SOTA性能42.3%。