Для воспроизведения наших результатов на наборе данных COCO см. Обучение на наборе данных COCO.

Одиночный GPU

# Модели P5
python tools/train.py --batch 32 --conf configs/yolov6s_finetune.py --data data/dataset.yaml --fuse_ab --device 0
# Модели P6
python tools/train.py --batch 32 --conf configs/yolov6s6_finetune.py --data data/dataset.yaml --img 1280 --device 0
```Множество GPU (рекомендуется режим DDP)
```shell
# Модели P5
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
# Модели P6
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: добавляет вспомогательную ветку на основе анкоров и использует режим обучения с помощью анкоров (в настоящее время не поддерживается для моделей P6)
• conf: выбирает конфигурационный файл для указания сети/оптимизатора/гиперпараметров. Рекомендуется использовать yolov6n/s/m/l_finetune.py при обучении на пользовательском наборе данных.
• data: подготовка набора данных и указание путей к набору данных в data.yaml ( COCO, формат YOLO для меток COCO )
• убедитесь, что структура вашего набора данных соответствует следующему:

├── coco
│   ├── annotations
│   │   ├── instances_train2017.json
│   │   └── instances_val2017.json
│   ├── images
│   │   ├── train2017
│   │   └── val2017
│   ├── labels
│   │   ├── train2017
│   │   ├── val2017
│   ├── LICENSE
│   ├── README.txt

YOLOv6 поддерживает различные режимы разрешения входных данных. Подробнее см. Как задать размер входных данных.

Если процесс обучения был поврежден, вы можете продолжить обучение с помощью команд:

# однопроцессорное обучение.
python tools/train.py --resume

# многопроцессорное обучение.
python -m torch.distributed.launch --nproc_per_node 8 tools/train.py --resume

Вышеуказанные команды автоматически найдут последний checkpoint в директории YOLOv6 и продолжат процесс обучения.

Вы также можете указать путь к checkpoint в параметр --resume:

# не забудьте заменить /path/to/your/checkpoint/path на путь к checkpoint, с которого вы хотите продолжить обучение.
--resume /path/to/your/checkpoint/path

Это продолжит обучение с указанного checkpoint.

Переоценка mAP на наборе данных COCO val2017 с разрешением 640×640 или 1280×1280

# модели P5
python tools/eval.py --data data/coco.yaml --batch 32 --weights yolov6s.pt --task val --reproduce_640_eval
# модели P6
python tools/eval.py --data data/coco.yaml --batch 32 --weights yolov6s6.pt --task val --reproduce_640_eval --img 1280

• verbose: установите True для вывода mAP для каждого класса.
• do_coco_metric: установите True / False для включения / отключения метода оценки pycocotools.
• do_pr_metric: установите True / False для вывода или отсутствия вывода метрик precision и recall.
• config-file: укажите конфигурационный файл для определения всех параметров оценки, например: yolov6n_with_eval_params.py

Сначала загрузите предобученную модель с релиза YOLOv6 релиз или используйте вашу предобученную модель для инференса.Затем выполните инференс с помощью tools/infer.py

# модели P5
python tools/infer.py --weights yolov6s.pt --source img.jpg / imgdir / video.mp4
# модели P6
python tools/infer.py --weights yolov6s6.pt --img 1280 1280 --source img.jpg / imgdir / video.mp4

Если вы хотите выполнить инференс на локальной камере или веб-камере, вы можете использовать:

# модели P5
python tools/infer.py --weights yolov6s.pt --webcam --webcam-addr 0
# модели P6
python tools/infer.py --weights yolov6s6.pt --img 1280 1280 --webcam --webcam-addr 0

webcam-addr может быть идентификатором локальной камеры или адресом rtsp.

• ONNX
• OpenCV Python/C++
• OpenVINO
• TensorRT
• NCNN
• Android

• Руководство пользователя (zh_CN)
• Обучение на наборе данных COCO
• Обучение на пользовательских данных
• Тестирование скорости
• Учебник по квантизации для YOLOv6

• Обучение YOLOv6 с помощью Amazon Sagemaker: yolov6-sagemaker от ashwincc

• Пример приложения YOLOv6 на Android с использованием NCNN: ncnn-android-yolov6 от FeiGeChuanShu

• YOLOv6 ONNXRuntime/MNN/TNN C++: YOLOv6-ORT, YOLOv6-MNN и YOLOv6-TNN от DefTruth * YOLOv6 TensorRT Python: yolov6-tensorrt-python от Linaom1214

• YOLOv6 TensorRT Windows C++: yolort от Wei Zeng

• Веб-демонстрация YOLOv6 на Huggingface Spaces с использованием Gradio.

• Интерактивная демонстрация на DagsHub с использованием Streamlit

• Учебник: Как обучить YOLOv6 на пользовательском наборе данных