目标检测开源框架YOLOv6全面升级，更快更准的2.0版本来啦

淩亂°似流年 2023-09-29 17:16 78阅读 0赞

9月5日，美团视觉智能部发布了YOLOv6 2.0版本，本次更新对轻量级网络进行了全面升级，量化版模型 YOLOv6-S 达到了 869 FPS，同时，还推出了综合性能优异的中大型网络（YOLOv6-M/L），丰富了YOLOv6网络系列。其中，YOLOv6-M/L 在 COCO 上检测精度（AP）分别达到 49.5%/52.5%，在 T4 卡上推理速度分别可达 233/121 FPS（batch size =32）。

GitHub下载地址：[https://github.com/meituan/YOLOv6][https_github.com_meituan_YOLOv6]。欢迎Star收藏，随时取用。

**官方出品详细的Tech Report带你解构YOLOv6**：[YOLOv6: A Single-Stage Object Detection Framework for Industrial Applications][YOLOv6_ A Single-Stage Object Detection Framework for Industrial Applications]。

![图1 YOLOv6 各尺寸模型与其他YOLO系列的性能对比图][1 YOLOv6 _YOLO]

注：YOLOv6系列模型均在训练300epoch且不使用预训练模型或额外检测数据集下获得，”‡“表示采用了自蒸馏算法，”∗“表示从官方代码库对发布模型进行重新测评的指标。以上速度指标均在T4 TRT7.2 环境下测试。

![表1 YOLOv6 各尺寸模型与其他YOLO系列的性能对比结果][1 YOLOv6 _YOLO 1]

本次版本升级，主要有以下更新：

**性能更强的全系列模型**

1.  针对中大型模型（YOLOv6-M/L），设计了新主干网络 CSPStackRep，它在综合性能上比上一版的 Single Path 结构更具优势。
2.  针对不同网络，系统性地验证了各种最新策略/算法的优劣，综合精度和速度，为每类网络选择合适的方案。同时将模型整体训练时间减少了 50%，极大地提升了模型的训练效率。
3.  引入自蒸馏思想并设计了新的学习策略，大幅提升了 YOLOv6-M/L 的模型精度。
4.  通过训练时 Early Stop 强数据增强及推理时图像 Resize 优化策略，修复了前期版本中输入尺寸对齐到 640x640 后精度损失的问题，提升了现有模型的实际部署精度。

表 1 展示了 YOLOv6 与当前主流的其他 YOLO 系列算法相比较的实验结果，对比业界其他 YOLO 系列，YOLOv6在所有系列均具有一定的优势：

*  YOLOv6-M 在 COCO val 上 取得了 49.5% 的精度，在 T4 显卡上使用 TRT FP16 batchsize=32 进行推理，可达到 233 FPS 的性能。
 *  YOLOv6-L 在 COCO val 上 取得了 52.5% 的精度，在 T4 显卡上使用 TRT FP16 batchsize=32 进行推理，可达到 121 FPS 的性能。
 *  同时，YOLOv6-N/ S 模型在保持同等推理速度情况下，大幅提升了精度指标，训练400 epoch 的条件下，N 网络从 35.0% 提升至 36.3%，S 网络从 43.1% 提升至 43.8%。

**量身定制的量化方案**

本次发布还集成了专门针对 YOLOv6 的量化方案，对重参数化系列模型的量化也有参考意义。该方案借鉴 RepOptimizer \[1\] 在梯度更新时做重参数化，解决了多支路动态范围过大导致难以量化的问题，用 RepOptimizer 训练的 YOLOv6 模型可以直接使用训练后量化（Post-training Quantization，PTQ），而不产生过大的精度损失。

在这一基础上，我们分析了各层的量化敏感性，将部分敏感层以更高精度运算，进一步提升了模型的精度。另外，我们同时发布了针对 2.0 版本的基于逐通道蒸馏的量化感知训练方案 （Quantization-aware Training，QAT），并结合图优化，YOLOv6-S 2.0 版本的量化性能可达到 43.3 mAP 和 869 FPS （batch size=32）。

![表2 YOLOv6-S 量化方案与 PaddleSlim 应用于 YOLO 系列模型的量化效果对比][2 YOLOv6-S _ PaddleSlim _ YOLO]

注：以上速度指标均在 T4 TRT8.4 环境下测试。对比方法为 PaddleSlim \[30\] 。

不同之处是 PaddleSlim 使用 YOLOv6-S 1.0 版本，我们的量化方案应用于 2.0 版本。更详尽的关于量化部署实践的相关内容，近期会在美团技术团队公众号上进行推送，敬请期待。

**完备的开发支持和多平台部署适配**

YOLOv6 支持检测模型训练、评估、预测以及模型量化、蒸馏等全链路开发流程，同时支持 GPU（TensorRT）、CPU（OPENVINO）、ARM（MNN、TNN、NCNN）等不同平台的部署，极大简化工程部署时的适配工作。更详细的教程指引请移步 YOLOv6 Github 仓库 Deployment 的部分。

**相关论文**

\[1\] RepOptimizer:[Re-parameterizing Your Optimizers rather than Architectures][]

**阅读美团技术团队更多技术文章合集**

**|** 在公众号菜单栏对话框回复【2021年货】、【2020年货】、【2019年货】、【2018年货】、【2017年货】等关键词，可查看美团技术团队历年技术文章合集。

![d255d853a8c59d438d4fbe634f0dba98.png][]

| 本文系美团技术团队出品，著作权归属美团。欢迎出于分享和交流等非商业目的转载或使用本文内容，敬请注明“内容转载自美团技术团队”。本文未经许可，不得进行商业性转载或者使用。任何商用行为，请发送邮件至tech@meituan.com申请授权。

[https_github.com_meituan_YOLOv6]: https://github.com/meituan/YOLOv6
[YOLOv6_ A Single-Stage Object Detection Framework for Industrial Applications]: https://arxiv.org/abs/2209.02976
[1 YOLOv6 _YOLO]: https://img-blog.csdnimg.cn/img_convert/f9402c360e30627e06dff0726723e89e.png
[1 YOLOv6 _YOLO 1]: https://img-blog.csdnimg.cn/img_convert/2fcb6023027f193ee638e123bb5080ff.png
[2 YOLOv6-S _ PaddleSlim _ YOLO]: https://img-blog.csdnimg.cn/img_convert/03d4ae5ec593df6ab6bf5b16d282e98c.png
[Re-parameterizing Your Optimizers rather than Architectures]: https://arxiv.org/abs/2205.15242
[Link 1]: http://mp.weixin.qq.com/s?__biz=MjM5NjQ5MTI5OA==&mid=2651765958&idx=1&sn=8201546812e5a95a2bee9dffc6d12f00&chksm=bd12658b8a65ec9de2f5be1e96796dfb3c8f1a374d4b7bd91266072f557caf8118d4ddb72b07#rd
[Link 2]: http://mp.weixin.qq.com/s?__biz=MjM5NjQ5MTI5OA==&mid=2651765957&idx=1&sn=c4014e8901b62257b5275567f407abc8&chksm=bd1265888a65ec9e6c6f4f2dc5206d727e5fe91f580f91c326da3dbab381e3da58f75cd52204#rd
[Link 3]: http://mp.weixin.qq.com/s?__biz=MjM5NjQ5MTI5OA==&mid=2651765966&idx=1&sn=24485355d27894e8a1b5a1746f6e3235&chksm=bd1265838a65ec95dbb6e54e12170aeb9f6643b9fa0abf221c0f301c03e84543f67294785b77#rd
[Link 4]: http://mp.weixin.qq.com/s?__biz=MjM5NjQ5MTI5OA==&mid=2651765964&idx=1&sn=ab6d8db147234fe57f27dd46eec40fef&chksm=bd1265818a65ec9749246dd1a2eb3bf7798772cc4d5b4283b15eae2f80bc6db63a1471a9e61e#rd
[Link 5]: http://mp.weixin.qq.com/s?__biz=MjM5NjQ5MTI5OA==&mid=2651765965&idx=1&sn=37e0c56c8b080146ce5249243bfd84d8&chksm=bd1265808a65ec96d3a2b2c87c6e27c910d49cb6b149970fb2db8bf88045a0a85fed2e6a0b84#rd
[Link 6]: http://mp.weixin.qq.com/s?__biz=MjM5NjQ5MTI5OA==&mid=2651765963&idx=1&sn=a3de9ef267d07d94118c1611776a4b28&chksm=bd1265868a65ec906592d25ad65f2a8516338d07ec3217059e6975fc131fc0107d66a8cd2612#rd
[iOS]: http://mp.weixin.qq.com/s?__biz=MjM5NjQ5MTI5OA==&mid=2651765973&idx=1&sn=32a23bf1d278dda0398f993ab60a697e&chksm=bd1265988a65ec8e630ef4d24b4946ab6bd7e66702c1d712481cf3c471468a059c470a14c30d#rd
[Android]: http://mp.weixin.qq.com/s?__biz=MjM5NjQ5MTI5OA==&mid=2651765972&idx=1&sn=afe02ec92762c1ce18740d03324c4ac3&chksm=bd1265998a65ec8f10d5f58d0f3681ddfc5325137218e568e1cda3a50e427749edb5c6a7dcf5#rd
[Link 7]: http://mp.weixin.qq.com/s?__biz=MjM5NjQ5MTI5OA==&mid=2651765974&idx=1&sn=763c1e37d04acffd0142a2852ecfb000&chksm=bd12659b8a65ec8dfcfeb2028ef287fae7c38f134a665375ba420556ce5d2e4cf398147bd12e#rd
[d255d853a8c59d438d4fbe634f0dba98.png]: https://img-blog.csdnimg.cn/img_convert/d255d853a8c59d438d4fbe634f0dba98.png