image.png

文章链接：https://arxiv.org/pdf/2301.05586.pdf
代码链接：https://github.com/meituan/YOLOv6

image.png

YOLOv6 v3.0的主要贡献简述如下：

  • 对检测器的Neck部件进行了翻新：引入BiC(Bi-directional Concatenation)提供更精确的定位信息；将SPPF简化为SimCSPSPPF，牺牲较少的速度提升更多的性能。

  • 提出一种AAT(Anchor-aided training)策略，在不影响推理效率的情况下同时受益于Anchor-basedAnchor-free设计理念。

  • 对YOLOv6的Backbone与Neck进行加深，在更高分辨率输入下达成新的SOTA性能。

  • 提出一种新的自蒸馏策略提升YOLOv6小模型的性能，训练阶段采用更大的DFL作为增强版辅助回归分支。

01. 本文方案

image.png

1.1 Network Design

在网络架构方面，本文主要从Neck与SPP两个维度进行改进：

  • 在Neck方面，本文设计了一种增强的PAN模块，它次用BiC模块对三个近邻层特征进行集成(可参考上图b)，额外引入了 C_{i-1}。这种处理截止可以保留更精确的定位信息，对于小目标定位非常重要。

  • 在SPP方面，本文对YOLOv5 v6.1版本的SPPF进行了简化，得到了所谓的SimCSPSPPF(可参考上图c)。

1.2 Anchor-Aided Training

image.png

YOLOv6是一种追求更高推理速度的Anchor-free检测器。然而，作者发现：在同等配置(YOLOv6-N)下，相比Anchor-free方案，Anchor-based方案可以带来额外的性能增益，见上表。

image.png

有鉴于此，作者提出了AAT策略(即Anchor辅助训练，见上图)，它引入了一个Anchor-based辅助分支以组合两种方案的优势。通过这种训练策略，源自的辅助分支的引导信息可以被有效的嵌入到Anchor-free分支。在推理阶段，辅助分支将被移除掉。也就是说，AAT策略属于"赠品"，加量不加价的那种。

内容中包含的图片若涉及版权问题，请及时与我们联系删除