简体中文 | English

YOLOv6

官方论文: YOLOv6: A Single-Stage Object Detection Framework for Industrial Applications

YOLOv6 提供了一系列面向各种工业应用场景的模型，包括微小级(nano)，极小极(tiny)、小(small)，中(medium)，大模型(large)。为更好的实现精度和速度权衡，这些模型的结构会根据模型大小而有所不同。此外，我们还引入了一些策略和技巧方法来进一步提高性能，例如自蒸馏和更多的训练轮次，这些策略和技巧并不会增加模型推理延时。在工业部署时，我们采用通道蒸馏和图优化的量化感知训练来实现极致的推理性能。

YOLOv6-N 在 COCO 数据集上的 mAP 为 35.9% ，在 T4 显卡推理速度可达 1234 FPS。 YOLOv6-S 的 mAP 为 43.5%，推理速度为 495 FPS ，量化后的 YOLOv6-S 模型在 T4显卡上的 FPS 可以加速到 869，mAP 为 43.3% 。 YOLOv6-T/M/L 也具有出色的性能，与其他检测器相比，我们的模型在基本相同的推理速度时，可以达到更高的精度。

更新日志

[2022.11.04] 发布基础版模型简化训练部署流程。
[2022.09.06] 定制化的模型量化加速方法 🚀 量化教程
[2022.09.05] 发布 M/L 模型，并且进一步提高了 N/T/S 模型的性能 ⭐️ 模型指标
[2022.06.23] 发布 N/T/S v1.0 版本模型。

模型指标

模型	输入尺寸	mAP^val 0.5:0.95	速度^{T4 trt fp16 b1 (fps)}	速度^{T4 trt fp16 b32 (fps)}	Params ^(M)	FLOPs ^(G)
YOLOv6-N	640	35.9^300e 36.3^400e	802	1234	4.3	11.1
YOLOv6-T	640	40.3^300e 41.1^400e	449	659	15.0	36.7
YOLOv6-S	640	43.5^300e 43.8^400e	358	495	17.2	44.2
YOLOv6-M	640	49.5	179	233	34.3	82.2
YOLOv6-L-ReLU	640	51.7	113	149	58.5	144.0
YOLOv6-L	640	52.5	98	121	58.5	144.0

速度是在 T4 上测试的，TensorRT 版本为 7.2；

量化模型 🚀

模型	输入尺寸	精度	mAP^val 0.5:0.95	速度^{T4 trt b1 (fps)}	速度^{T4 trt b32 (fps)}
YOLOv6-N RepOpt	640	INT8	34.8	1114	1828
YOLOv6-N	640	FP16	35.9	802	1234
YOLOv6-T RepOpt	640	INT8	39.8	741	1167
YOLOv6-T	640	FP16	40.3	449	659
YOLOv6-S RepOpt	640	INT8	43.3	619	924
YOLOv6-S	640	FP16	43.5	377	541

速度是在 T4 上测试的，TensorRT 版本为 8.4；
精度是在训练 300 epoch 的模型上测试的；
mAP 和速度指标是在 COCO val2017 数据集上评估的，输入分辨率为 640×640；
复现 YOLOv 6 的速度指标，请查看速度测试教程；
YOLOv6 的参数和计算量是在推理模式下计算的；

旧版模型

模型	输入尺寸	mAP^val 0.5:0.95	速度^{V100 fp16 b32 (ms)}	速度^{V100 fp32 b32 (ms)}	速度^{T4 trt fp16 b1 (fps)}	速度^{T4 trt fp16 b32 (fps)}	Params ^(M)	FLOPs ^(G)
YOLOv6-N	416 640	30.8 35.0	0.3 0.5	0.4 0.7	1100 788	2716 1242	4.3 4.3	4.7 11.1
YOLOv6-T	640	41.3	0.9	1.5	425	602	15.0	36.7
YOLOv6-S	640	43.1	1.0	1.7	373	520	17.2	44.2

快速开始

安装

git clone https://github.com/meituan/YOLOv6
cd YOLOv6
pip install -r requirements.txt

训练

单卡

python tools/train.py --batch 32 --conf configs/yolov6s_finetune.py --data data/dataset.yaml --device 0

多卡（我们推荐使用 DDP 模式）

python -m torch.distributed.launch --nproc_per_node 8 tools/train.py --batch 256 --conf configs/yolov6s_finetune.py --data data/dataset.yaml --device 0,1,2,3,4,5,6,7

conf: 配置文件路径，里面包含网络结构、优化器配置、超参数信息。如果您是在自己的数据集训练，我们推荐您使用yolov6n/s/m/l_finetune.py配置文件；
data: 数据集配置文件，以 COCO 数据集为例，您可以在 COCO 下载数据, 在这里下载 YOLO 格式标签；
确保您的数据集按照下面这种格式来组织；

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

在COCO数据集复现我们的结果 ⭐️

Nano 模型

python -m torch.distributed.launch --nproc_per_node 4 tools/train.py \
									--batch 128 \
									--conf configs/yolov6n.py \
									--data data/coco.yaml \
									--epoch 400 \
									--device 0,1,2,3 \
									--name yolov6n_coco

Tiny 和 Small 模型

python -m torch.distributed.launch --nproc_per_node 8 tools/train.py \
									--batch 256 \
									--conf configs/yolov6s.py \ # configs/yolov6t.py
									--data data/coco.yaml \
									--epoch 400 \
									--device 0,1,2,3,4,5,6,7 \
									--name yolov6s_coco # yolov6t_coco

Medium 和 Large 模型

# 第一步: 训练一个基础模型
python -m torch.distributed.launch --nproc_per_node 8 tools/train.py \
									--batch 256 \
									--conf configs/yolov6m.py \ # configs/yolov6l.py
									--data data/coco.yaml \
									--epoch 300 \
									--device 0,1,2,3,4,5,6,7 \
									--name yolov6m_coco # yolov6l_coco


# 第二步: Self-distillation training
python -m torch.distributed.launch --nproc_per_node 8 tools/train.py \
									--batch 256 \ # 128 for distillation of yolov6l
									--conf configs/yolov6m.py \ # configs/yolov6l.py
									--data data/coco.yaml \
									--epoch 300 \
									--device 0,1,2,3,4,5,6,7 \
									--distill \
									--teacher_model_path runs/train/yolov6m_coco/weights/best_ckpt.pt \ # # yolov6l_coco
									--name yolov6m_coco # yolov6l_coco

恢复训练

如果您的训练进程中断了，您可以这样恢复先前的训练进程。

# 单卡训练
python tools/train.py --resume

# 多卡训练
python -m torch.distributed.launch --nproc_per_node 8 tools/train.py --resume

上面的命令将自动在 YOLOv6 目录中找到最新保存的模型，然后恢复训练。

您也可以通过 --resume 参数指定要恢复的模型路径

# 记得把 /path/to/your/checkpoint/path  替换为您要恢复训练的模型权重路径
--resume /path/to/your/checkpoint/path

这将从您提供的模型路径恢复训练。

评估

在 COCO val2017 数据集上复现我们的结果（输入分辨率 640x640） ⭐️

python tools/eval.py --data data/coco.yaml --batch 32 --weights yolov6s.pt --task val --reproduce_640_eval

verbose: 如果要打印每一类的精度信息，请设置为 True；
do_coco_metric: 设置 True / False 来打开或关闭 pycocotools 的评估；
do_pr_metric: 设置 True / False 来显示或不显示精度和召回的指标；
config-file: 指定一个包含所有评估参数的配置文件，例如 yolov6n_with_eval_params.py

推理

首先，从 release页面下载一个训练好的模型权重文件，或选择您自己训练的模型；

然后，通过 tools/infer.py文件进行推理。

python tools/infer.py --weights yolov6s.pt --source img.jpg / imgdir / video.mp4

部署

ONNX
OpenCV Python/C++
OpenVINO
TensorRT

教程

训练自己的数据集
测速
YOLOv6 量化教程

第三方资源

YOLOv6 NCNN Android app demo: ncnn-android-yolov6 from FeiGeChuanShu
YOLOv6 ONNXRuntime/MNN/TNN C++: YOLOv6-ORT, YOLOv6-MNN and YOLOv6-TNN from DefTruth
YOLOv6 TensorRT Python: yolov6-tensorrt-python from Linaom1214
YOLOv6 TensorRT Windows C++: yolort from Wei Zeng
YOLOv6 web demo on Huggingface Spaces with Gradio.
教程: 如何用 YOLOv6 训练自己的数据集
YOLOv6 在 Google Colab 上的推理 Demo

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

README_cn.md

README_cn.md

YOLOv6

更新日志

模型指标

量化模型 🚀

快速开始

FAQ（持续更新）

Files

README_cn.md

Latest commit

History

README_cn.md

File metadata and controls

YOLOv6

更新日志

模型指标

量化模型 🚀

快速开始

FAQ（持续更新）