简体中文 | English

YOLOv6

官方论文:

YOLOv6 v3.0: A Full-Scale Reloading 🔥
YOLOv6: A Single-Stage Object Detection Framework for Industrial Applications

更新日志

[2023.04.28] 发布移动端轻量级模型 YOLOv6Lite. ⭐️ 移动端模型指标
[2023.03.10] 发布 YOLOv6-Face. 🔥 人脸检测模型指标
[2023.03.02] 更新基础版模型到 3.0 版本
[2023.01.06] 发布大分辨率 P6 模型以及对 P5 模型做了全面的升级 ⭐️ 模型指标
[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
[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	37.5	779	1187	4.7	11.4
YOLOv6-S	640	45.0	339	484	18.5	45.3
YOLOv6-M	640	50.0	175	226	34.9	85.8
YOLOv6-L	640	52.8	98	116	59.6	150.7

YOLOv6-N6	1280	44.9	228	281	10.4	49.8
YOLOv6-S6	1280	50.3	98	108	41.4	198.0
YOLOv6-M6	1280	55.2	47	55	79.6	379.5
YOLOv6-L6	1280	57.2	26	29	140.4	673.4

表格笔记

除了 YOLOv6-N6/S6 模型是训练了300轮的结果，其余模型均为自蒸馏训练之后的结果；
mAP 和速度指标是在 COCO val2017 数据集上评估的，P5模型输入分辨率为 640×640，P6模型输入分辨率为 1280×1280；
速度是在 T4 上测试的，TensorRT 版本为 7.2；
复现 YOLOv6 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^{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；

移动端模型指标

模型	输入尺寸	mAP^val 0.5:0.95	sm8350 ^(ms)	mt6853 ^(ms)	sdm660 ^(ms)	Params ^(M)	FLOPs ^(G)
YOLOv6Lite-S	320*320	22.4	7.99	11.99	41.86	0.55	0.56
YOLOv6Lite-M	320*320	25.1	9.08	13.27	47.95	0.79	0.67
YOLOv6Lite-L	320*320	28.0	11.37	16.20	61.40	1.09	0.87
YOLOv6Lite-L	320*192	25.0	7.02	9.66	36.13	1.09	0.52
YOLOv6Lite-L	224*128	18.9	3.63	4.99	17.76	1.09	0.24

表格笔记

从模型尺寸和输入图片比例两种角度，在构建了移动端系列模型，方便不同场景下的灵活应用。
所有权重都经过 400 个 epoch 的训练，并且没有使用蒸馏技术。
mAP 和速度指标是在 COCO val2017 数据集上评估的，输入分辨率为表格中对应展示的。
使用 MNN 2.3.0 AArch64 进行速度测试。测速时，采用2个线程，并开启arm82加速，推理预热10次，循环100次。
高通888(sm8350)、天玑720(mt6853)和高通660(sdm660)分别对应高中低端不同性能的芯片，可以作为不同芯片下机型能力的参考。
NCNN 速度测试教程可以帮助展示及复现 YOLOv6Lite 的 NCNN 速度结果。

快速开始

安装

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

在 COCO 数据集上复现我们的结果

请参考教程训练 COCO 数据集.

在自定义数据集上微调模型

单卡

# 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

多卡（我们推荐使用 DDP 模式）

# 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: 增加anchor-based预测分支并使用联合锚点训练模式 (P6模型暂不支持此功能)
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

YOLOv6 支持不同的输入分辨率模式，详情请参见如何设置输入大小.

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 或 1280x1280）

# 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: 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。

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

如果您想使用本地摄像头或者网络摄像头，您可以运行:

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

webcam-addr 可以是本地摄像头的 ID，或者是 RTSP 地址。

部署

ONNX
OpenCV Python/C++
OpenVINO
TensorRT
NCNN
Android

教程

用户手册（中文版）
训练 COCO 数据集
训练自定义数据集
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

FAQ（持续更新）

如果您有任何问题，欢迎加入我们的微信群一起讨论交流！

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

移动端模型指标

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

移动端模型指标

快速开始

FAQ（持续更新）