• Из модели размера и соотношения сторон изображения, в серии моделей для мобильных устройств, удобно для гибкого применения в различных сценариях.
• Все веса прошли обучение в течение 400 эпох и не использовали технологию дистилляции.
• mAP и показатели скорости оцениваются на наборе данных COCO val2017, а входное разрешение соответствует тому, что показано в таблице.
• Тестирование скорости проводилось с использованием MNN 2.3.0 AArch64. Во время тестирования скорости использовались два потока, был включен arm82, было выполнено 10 предварительных прогонов, и было выполнено 100 циклов.
• Qualcomm Snapdragon 888 (SM8350), MediaTek Helio G20 (MT6853) и Qualcomm Snapdragon 660 (SDM660) соответствуют высокопроизводительным, среднепроизводительным и низкопроизводительным чипам, которые можно использовать в качестве ориентира для производительности различных чипсетов.
• Учебное пособие NCNN Speed Testing может помочь продемонстрировать и воспроизвести результаты NCNN для YOLOv6Lite.

Пожалуйста, обратитесь к учебному пособию Тренировка набора данных COCO.

Для одного графического процессора:

# 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

Для нескольких графических процессоров (мы рекомендуем использовать режим DDP):

# 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 --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: добавление ветви предсказания на основе якорей и использование режима обучения с объединенными якорями (модели P6 в настоящее время не поддерживают эту функцию)
• conf: путь к файлу конфигурации, который содержит информацию о сетевой структуре, оптимизаторе конфигурации и гиперпараметрах. Если вы тренируетесь на собственном наборе данных, мы рекомендуем вам использовать файл конфигурации yolov6n/s/m/l_finetune.py;
• data: путь к файлу конфигурации набора данных, например, если вы используете набор данных COCO, вы можете загрузить данные с веб-сайта COCO, здесь вы можете скачать метки формата YOLO;
• Убедитесь, что ваш набор данных организован следующим образом:

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

YOLOv6 поддерживает различные режимы входного разрешения, подробности см. в Как настроить размер ввода.

Если ваша тренировка была прервана, вы можете возобновить ее следующим образом.

# Тренировка на одном графическом процессоре
python tools/train.py --resume

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

Эти команды автоматически найдут последнюю сохраненную модель в каталоге YOLOv6 и возобновят тренировку.

Вы также можете указать путь к модели, которую хотите восстановить, с помощью параметра --resume.

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

Это возобновит тренировку из предоставленного вами пути к модели.

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

• verbose: если вы хотите распечатать точность каждой категории, установите значение True;
• do_coco_metric: установите значение True / False, чтобы включить или отключить оценку pycocotools;
• do_pr_metric: установить значение True / False для отображения или не отображения показателей точности и отзыва;
• config-file: укажите файл конфигурации, содержащий все параметры оценки, такие как yolov6n_with_eval_params.py

Сначала получите модель, обученную на наборе данных.

Затем используйте следующую команду для вывода:

python tools/infer.py --source input.jpg --model yolov6l.pt

input.jpg — это изображение, которое вы хотите вывести. yolov6l.pt — это путь к обученной модели. Перевод текста на русский язык:

Страница release

Скачайте обученную модель весов файла или выберите модель, которую вы обучили сами;

Затем выполните вывод с помощью файла tools/infer.py.

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

Если вы хотите использовать локальную или сетевую камеру, вы можете запустить:

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

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

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

• Руководство пользователя (китайская версия)
• Обучение на наборе данных COCO
• Обучение на пользовательском наборе данных
• Тестирование скорости
• Учебник по квантованию YOLOv6

• Демо приложения YOLOv6 NCNN для Android: ncnn-android-yolov6 от FeiGeChuanShu
• YOLOv6 ONNXRuntime/MNN/TNN C++: YOLOv6-ORT, YOLOv6-MNN и YOLOv6-TNN от DefTruth
• TensorRT Python для YOLOv6: yolov6-tensorrt-python от Linaom1214
• Windows C++ для YOLOv6 TensorRT: yolort от Wei Zeng
• Демо YOLOv6 в сети на Huggingface Spaces с Gradio.
• Учебник: Как обучить YOLOv6 на собственном наборе данных
• Демонстрация вывода YOLOv6 в Google Colab