• From the perspective of model size and input image ratio, we have built a series of models on the mobile terminal to facilitate flexible applications in different scenarios.
• All checkpoints are trained with 400 epochs without distillation.
• Results of the mAP and speed are evaluated on COCO val2017 dataset, and the input resolution is the Size in the table.
• Speed is tested on MNN 2.3.0 AArch64 with 2 threads by arm82 acceleration. The inference warm-up is performed 10 times, and the cycle is performed 100 times.
• Qualcomm 888(sm8350), Dimensity 720(mt6853) и Qualcomm 660(sdm660) correspond to chips with different performances at the high, middle and low end respectively, which can be used as a reference for model capabilities under different chips.
• Refer to Test NCNN Speed tutorial to reproduce the NCNN speed results of YOLOv6Lite.

Please refer to Train COCO Dataset.

Single GPU

# 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

Multi GPUs (DDP mode recommended)

# 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
``` **Тренировка YOLOv6 с Amazon Sagemaker**

- fuse_ab: добавить вспомогательную ветвь на основе якорей и использовать режим обучения с помощью якорей (в настоящее время не поддерживается для моделей P6).
- conf: выберите файл конфигурации, чтобы указать сеть/оптимизатор/гиперпараметры. Мы рекомендуем применять yolov6n/s/m/l_finetune.py при обучении на собственном наборе данных.
- data: подготовьте набор данных и укажите пути к наборам данных в data.yaml ([COCO](http://cocodataset.org), [YOLO формат coco labels](https://github.com/meituan/YOLOv6/releases/download/0.1.0/coco2017labels.zip)).
- убедитесь, что структура вашего набора данных выглядит следующим образом:

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

YOLOv6 поддерживает различные режимы входного разрешения. Подробнее см. [Как установить размер ввода](./docs/About_training_size.md).

</details>

<details>
<summary>Возобновление тренировки</summary>

Если ваш тренировочный процесс был прерван, вы можете возобновить тренировку, выполнив следующие действия:

тренировка на одном GPU.

python tools/train.py --resume

многопроцессорная тренировка.

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

Приведённая выше команда автоматически найдёт последнюю контрольную точку в каталоге YOLOv6, а затем возобновит тренировочный процесс.

Вы также можете указать путь к контрольной точке для параметра `--resume` следующим образом:

не забудьте заменить /path/to/your/checkpoint/path на путь к контрольной точке, которую вы хотите использовать для возобновления тренировки.

--resume /path/to/your/checkpoint/path

Это позволит вам продолжить тренировку с указанной контрольной точки.

</details>

<details open>
<summary>Оценка</summary>

Воспроизведите mAP на наборе данных COCO val2017 с разрешением 640×640 или 1280x1280:

```shell
# 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 значение True, чтобы вывести mAP для каждого класса.
• do_coco_metric: установите значение True / False, чтобы включить / отключить метод оценки pycocotools.
• do_pr_metric: установите значение True / False, чтобы распечатать или не печатать метрики точности и отзыва.
• config-file: укажите файл конфигурации для определения всех параметров оценки, например: yolov6n_with_eval_params.py

Сначала загрузите предварительно обученную модель из выпуска YOLOv6 здесь или используйте свою обученную модель для вывода.

Затем выполните вывод 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 вывод на локальной камере или веб-камере, вы можете запустить:

# 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)
• Тренировка набора данных COCO
• Обучение на пользовательских данных
• Тест скорости
• Учебник по квантованию для YOLOv6

• Тренировка YOLOv6 на Amazon Sagemaker: YOLOv6 NCNN Android app demo: 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.

Демонстрация YOLOv6 в интернете на Huggingface Spaces с Gradio.

Интерактивная демонстрация на DagsHub со Streamlit.

Учебник: «Как обучить YOLOv6 на пользовательском наборе данных».

Видеоурок на YouTube: «Как обучить YOLOv6 на пользовательском наборе данных».

Демонстрация вывода YOLOv6 на Google Colab.

Пост в блоге: «Обнаружение объектов YOLOv6 — объяснение статьи и вывод».

[FAQ (постоянно обновляется)]

Если у вас есть какие-либо вопросы, присоединяйтесь к нашей группе WeChat для обсуждения и обмена.