YOLOv6：面向工业应用的单阶段目标检测框架
计算机视觉与模式识别
2022-09-08 v1
摘要
多年来，YOLO 系列一直是高效目标检测的事实上的工业级标准。YOLO 社区蓬勃发展，极大地丰富了其在多种硬件平台和丰富场景中的使用。在本技术报告中，我们努力将其极限推向新高度，以坚定不移的工业应用心态向前迈进。考虑到真实环境中对速度和准确性的多样化需求，我们广泛考察了来自工业界或学术界的最新目标检测进展。具体而言，我们大量吸收了近期网络设计、训练策略、测试技术、量化和优化方法中的思想。在此基础上，我们整合自身的思考与实践，构建了一套可在不同尺度上部署的网络，以适配多样化的用例。在 YOLO 作者的慷慨许可下，我们将其命名为 YOLOv6。我们也热烈欢迎用户和贡献者进一步完善。就性能一瞥，我们的 YOLOv6-N 在 NVIDIA Tesla T4 GPU 上以 1234 FPS 的吞吐量在 COCO 数据集上达到 35.9% AP。YOLOv6-S 以 495 FPS 达到 43.5% AP，优于同尺度的其他主流检测器（YOLOv5-S、YOLOX-S 和 PPYOLOE-S）。我们量化的 YOLOv6-S 版本甚至在 869 FPS 下带来了新的最先进 43.3% AP。此外，YOLOv6-M/L 也取得了优于其他具有相似推理速度检测器的精度表现（即 49.5%/52.3%）。我们仔细进行了实验以验证各组件的有效性。我们的代码已在 https://github.com/meituan/YOLOv6 公开。
引用
@article{arxiv.2209.02976,
title = {YOLOv6: A Single-Stage Object Detection Framework for Industrial Applications},
author = {Chuyi Li and Lulu Li and Hongliang Jiang and Kaiheng Weng and Yifei Geng and Liang Li and Zaidan Ke and Qingyuan Li and Meng Cheng and Weiqiang Nie and Yiduo Li and Bo Zhang and Yufei Liang and Linyuan Zhou and Xiaoming Xu and Xiangxiang Chu and Xiaoming Wei and Xiaolin Wei},
journal= {arXiv preprint arXiv:2209.02976},
year = {2022}
}
备注
technical report