目标检测开源框架yolov6全面升级，更快更准的2.0版本来啦

关键词：

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。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。

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。

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。

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）。

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

前端 | 算法 | 后端 | 数据 | 安全 | 运维 | iOS | Android | 测试

| 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。

| 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。

yolov6又快又准的目标检测框架已开源

siou精度是最高的，其次是yoloe，但是没开源：即插即用|SIoU实现50.3AP+7.6ms检测速度精度、速度完美超越YoloV5、YoloX_AI视觉网奇的博客-CSDN博客先看YOLOv6精度：ModelSizemAPval0.5:0.95SpeedV100fp16b32(ms)SpeedV100fp32b32(ms)Spe 查看详情

yolov6：又快又准的目标检测框架开源啦

近日，美团视觉智能部研发了一款致力于工业应用的目标检测框架YOLOv6，能够同时专注于检测的精度和推理效率。在研发过程中，视觉智能部不断进行了探索和优化，同时吸取借鉴了学术界和工业界的一些前沿进... 查看详情

通用目标检测开源框架yolov6在美团的量化部署实战

总第537篇2022年第054篇基于美团目标检测模型开源框架YOLOv6，本文介绍了一种通用的量化部署方案，在保持精度的同时大幅提升了检测的速度，为通用检测的工业化部署探索出一条可行之路，希望能给大家带来一些... 查看详情

通用目标检测开源框架yolov6在美团的量化部署实战

基于美团目标检测模型开源框架YOLOv6，本文介绍了一种通用的量化部署方案，在保持精度的同时大幅提升了检测的速度，为通用检测的工业化部署探索出一条可行之路，希望能给大家带来一些启发或者帮助。1.背... 查看详情

通用目标检测开源框架yolov6在美团的量化部署实战

...景和难点YOLOv6是美团发布的一款开源的面向工业应用的2D目标检测模型[1]，主要特点是速度快、精度高、部署友好，在美团众多视觉业务场景中都有着广泛的应用。通过量化（Quantization）提升推理速度是实际工业... 查看详情

sota！目标检测开源框架yolov63.0版本来啦

...，美团视觉智能部发布了YOLOv63.0版本，再一次将目标检测的综合性能推向新高。YOLOv6-L6检测精度和速度超越YOLOv7-E6E，取得当前实时目标检测榜单SOTA。本文主要介绍了YOLOv63.0版本中引入的技术创新和优化，希望能... 查看详情

yolox-pai:加速yolox,比yolov6更快更强

作者：忻怡、周楼、谦言、临在导言目标检测（objectdetection）旨在定位并识别出图像中的目标物体，一直以来都是计算机视觉领域研究的热点问题，也是自动驾驶、目标追踪等任务的基础。近年来，优秀的目标检测算法不断涌现... 查看详情

yolov6:面向工业应用的单阶段目标检测框架(代码片段)

...https://github.com/meituan/YOLOv6多年来，YOLO系列一直是高效目标检测的行业标准。YOLO社区蓬勃发展，丰富了其在众多硬件平台和丰富场景中的使用。在这份技术报告力求将其极限推向新的高度，以坚定不移的行业应用心态... 查看详情

目标检测yolov6理论解读+实践测试visdrone数据集(代码片段)

...数据集进行训练。背景YOLOv6是美团视觉智能部研发的一款目标检测框架，致力于工业应用。根据官方[1]提供的测试结果，YOLOv6的综合性能效果超越了YOLOv5和YOLOX，如下图所示，YOLOv6s在COCO验证集上的mAP数值最高。网... 查看详情

美团视觉开源框架yolov6直播首秀

11月15日20:00，YOLOv6团队将在腾讯会议和微信视频号同步进行直播首秀！现在扫描海报中会议二维码或添加会议号：112427971报名并观看。请大家提前预留时间，明晚精彩不容错过！添加美美04进交流群，届时... 查看详情

yolov6算法新鲜出炉--训练自己数据集过程(代码片段)

...f1a;YOLOv6算法背景：YOLOv6是美团视觉智能部研发的一款目标检测框架，致力于工业应用。本框架同时专注于检测的精度和推理效率，在工业界常用的尺寸模型中：YOLOv6-nano在COCO上精度可达35.0%AP，在T4上推理速度... 查看详情

计算机视觉框架openmmlab开源学习：目标检测实战(代码片段)

...工智能领域初学者及研究者学习。➡️点击跳转到网站。目标检测实战  前言：本篇主要偏向目标检测实战部分，使用MMDetection工具进行代码应用，最后对水果进行检测实战演示，本次环境和代码配置部分省略... 查看详情

计算机视觉框架openmmlab开源学习：目标检测基础

前言：本系列第四篇文章主要介绍目标检测知识，介绍单阶段与双阶段算法发展，并学习目标检测模型，了解计算机视觉框架OpenMMLab的MMDetection工具基本原理及使用，为后续目标检测实战做铺垫。计算机视觉框... 查看详情

transformer检测神器！detrex：面向detr系列的目标检测开源框架(代码片段)

前言在我们IDEA研究院CVR团队分别开源了DAB-DETR,DN-DETR,DINO后，CVR团队一直计划做一个统一的DETR系列代码框架，支持DETR系列的算法工作，并且希望这套codebase可以拓展到更多相关的任务上，终于在9.21号，CVR团队... 查看详情

全面解析c语言多媒体开源框架gstreamer(代码片段)

目录1、GStreamer简介2、GStreamer基本概念2.1、元件（Element）2.2、箱柜（Bin）2.3、管道（Pipeline）2.4、衬垫（Pad）2.5、能力集（Caps）2.6、幽灵pad（ghostpad）  查看详情

一个更快的yolov5问世，附送全面中文解析教程

作为计算机视觉领域的基础性技术，目标检测在业界具有广泛应用，而YOLO系列因其综合性能较好，成为广受欢迎的首选框架。这次，为了让用户深入了解OneFlow训练目标检测模型的可行性以及性能的优越性，我... 查看详情

目标检测算法——自动驾驶开源数据集汇总2（附下载链接）

>>>深度学习Tricks，第一时间送达<<<目录一、HighwayDriving二、MapillaryVistas三、Cityscapes四、CamVid>>>一起交流！互相学习！共同进步！<<<近期，小海带在空闲之余，收集整理了一批自动... 查看详情

海量数据分析更快更稳更准。gaussdb(formysql)htap只读分析特性详解(代码片段)

本文作者康祥，华为云数据库内核开发工程师，研究生阶段主要从事SPARQL查询优化相关工作。目前在华为公司参与华为云GaussDB(forMySQL)HTAP只读内核功能设计和研发。1. 引言HTAP（HybridTransactional/AnalyticalProcessing）这个词相信大... 查看详情