美团yolov6现烤现尝(准确率高于yolov5 yolox)

为了解决行业应用中遇到的实际问题，美团视觉智能部门对YOLO系列框架的训练策略、骨干网络、多尺度特征融合、检测等方面进行了思考和优化。目前，该项目已经开源到Github，门户：YOLOv6链接：https://github.com/meituan/YOLOv6.
作为计算机视觉领域的一项基础技术，目标检测的新框架，其精度和速度远高于YOLOv5和YOLOX，已经在工业中得到广泛应用。YOLO系列算法因其较好的综合性能，逐渐成为大多数工业应用的首选框架。到目前为止，业界已经衍生出了很多YOLO检测框架，其中最具代表性的有YOLOv5、YOLOX和PP-YOLOE。美团视觉智能部门在实际使用中发现，上述框架在COCO数据集上仍有提升空间，YOLOv6在准确率和速度上超越其他同构算法。相关结果如下图所示：
不同尺寸的YOLOv6车型与其他车型的性能对比
YOLOv6与其他型号在不同分辨率下的性能比较
实际操作(以下操作使用yolov6s)准备数据集，修改coco.yaml，修改yolov6.py，修改train.py实际操作数据集中有429张图片，训练集和验证集按8: 2比例分成。先看看评测结果。
平均精度(AP)@[IoU=0.50:0.95 | area=all | maxDets=100]=0.500平均精度(AP)@[IoU=0.50 | area=all | maxDets=100]=0.961平均精度(AP)@[IoU=0.75 | area=all | maxDets=100]=0.477平均精度(AP)@[IoU=0.5033333 maxDets=1]=0.443平均召回率(AR)@[IoU=0.50:0.95 | area=all | maxDets=10]=0.554平均召回率(AR)@[IoU=0.50:0.95 | area=all | maxDets=100]=0.554平均召回率(AR)@[IoU=0.50:0.95 | area=small | maxDets 对比用相同数据集训练的ppyoloe，iou=使用86张图片进行测试，发现美团-yolov6检测到了全部86张图片，ppyoloe漏掉了86张测试图片中的4张，两个模型都没有错。项目中需要准备的东西：当你要训练自己的数据时，首先要准备好适用于美团-yolov6的格式，在一个标注工具(比如cvat)上下载coco数据集的格式。每张图片对应一个标签，每条线代表一个标签框。标签格式如下。
# class _ id center _ xcenter _ Yb box _ width bb box _ height 0.300926 0.617063 0.601852 0.765873接下来，按照下面的文件位置，将下载的coco数据集格式的img和txt分成训练集和验证集，放在对应的文件夹中。
Data/| – images//(放图片，分为train目录和val目录)|-Train/-1 . img-2 . img |-Val/-3 . img |-Labels/(放标签文件，它分为Train目录和Val目录)|-train-1.txt-2.txt |-val-3.txt .下一步就是修改coco.yaml#这个anno_path是我们在这里运行train.py后根据txt和jpg生成的json文件的路径，按照简单修改
train : yolov 6-main/data/images/train val : yolov 6-main/data/images/valtest : yolov 6-main/data/images/valan no _ path : yolov 6-main-original/yo V6-main/data/annotations/instances _ val . JSON #类数nc3360 1 #类名3360 [‘crack’]接下来修改configs/yolov6.py，这里是网络结构文件，大部分在这里，您可以更改预训练模型的路径。pretained本来是没有的。这里需要的预训练模型可以在YOLOV6 0.1.0版美团/YOLOV6.github，这里找到。
model=dict(type=’YOLOv6s ‘，pretrained=’ yolov 6-main/weights/yolov 6s . pt ‘，depth_multiple=0.33，width_multiple=0.50，backbone=dict(type=’ efficient rep ‘，Num _ repeats=[1，6，12，18，6]，out _ channels=[64，128，256，512，1024]).运行python tools/train.py，当然也可以不更改上面的一些文件内容，使用python tools/train . py-batch 32-conf configs/yolov 6s _ fine tune . py-data data/person _ ebike . YAML-device 0进行训练。我们用了340多张图片，训练了300个epoch。最后，如前文所述，个人感觉效果比ppyoloe好。使用yolov6检测到yolov5和ppyoloe的一些缺失对象。而且yolov6上周才开源，他们还在更新，期待更好的效果。
在本文中，使用个人数据集(物体的裂纹图片)进行训练。数据集数量少，但是感觉效果很好。个人测试高于yolov5和ppyoloe的实际检测精度，目前与其他机型没有速度差异。训练中会出现一些问题。大部分是mAP=0的问题，这是官方的bug。你可以下载最新的代码重新培训。另外，建议尽量不要出现“.”命名数据集时。代码处理会有问题。当然，你也可以自己更改车次代码。在COCO数据集上的实验结果表明，YOLOv6的检测精度和速度最好。接下来美团会继续完善yolov6生态，期待下一次更新。