YOLOv6 pro

初衷让 YOLOv6 更换网络结构更为便捷

基于官方 YOLOv6 的整体架构，使用 YOLOv5 的网络构建方式构建一个 YOLOv6 网络，包括 backbone，neck，effidehead 结构

可以在 yaml 文件中任意修改或添加模块，并且每个修改的文件都是独立可运行的，目的是为了助力科研

后续会基于 yolov5 和 yoloair 中的模块加入更多的网络结构改进，有问题或者是改进意见都可以随时在 issues 中提出呀

预训练权重已经从官方权重转换，确保可以匹配

我们使用的 yoloair 和 YOLOv6 pro 框架在 IEEE UV 2022 "Vision Meets Alage" 目标检测竞赛中取得第一名！

博客介绍地址：
YOLOv6 Pro | 使 YOLOv6 构建网络和更换模块更为便捷，助力科研中的网络结构改进，包括Backbone,Neck,DecoupleHead（参考YOLOv5搭建网络的方式）

已经支持的模型:

基础模型

YOLOV6l YOLOV6m YOLOV6s YOLOV6t YOLOV6n

大尺寸模型，四个输出层

YOLOV6l_p2 YOLOV6l6 YOLOV6n6

YOLOv6 Pro 结构：

增加 DAMO YOLO 中的 neck：RepGFPN M,S,T 增加 RepGhost 模块和 RepGhostNet1.0× backbone 增加 FocalTransformer, FocalTRC3模块 增加 CoAtNet 主干, MBConv, CoAtTran 模块 增加 SimOTA标签分配策略

版本更新说明

[ 2022/12/4 ] v1.0.0 版本，对齐完善了几个基础模型的大小和精度，构建 YOLOv6l6，YOLOv6n6，增加 wandb 记录模型训练曲线 [ 2022/12/8 ]增加 GiraffeNeckV2，RepGhost，增加 VOC 数据集上的 YOLOv6 Pro 基准实验结果 [ 2022/12/10 ]增加 DAMO YOLO 中的 neck RepGFPN M,S,T [ 2022/12/12 ]增加 FocalTransformer 中的模块，并组合为 FocalC3 模块 [ 2022/12/14 ]增加 RepGhost，CoAtNet 模块，其中 coatNet 包括两个 MBConv 层和两个 CoAtTran 层，组成卷积+ transformer 的主干网络结构 [ 2022/12/16 ]增加YOLOv6 第一个版本使用的 SimOTA 标签分配策略

Benchmark

Model	Size	mAPval 0.5:0.95	SpeedT4 trt fp16 b1 (fps)	SpeedT4 trt fp16 b32 (fps)	Params (M)	FLOPs (G)
YOLOv6-N	640	35.9300e 36.3400e	802	1234	4.3	11.1
YOLOv6-T	640	40.3300e 41.1400e	449	659	9.7	24.9
YOLOv6-S	640	43.5300e 43.8400e	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

• Speed is tested with TensorRT 7.2 on T4.
• Data from YOLOv6 official
• 目前 yolov6l，yolov6s，yolov6t，yolov6n 模型大小与精度已经和官方对齐

YOLOv6 基准实验

数据集: VOC2007，VOC2012 训练集: train_2007, tran_2012, val_2007, test_2007 (16551 images) 验证集: test_2007 (4952 images) GPU: 4090 24GB 使用 COCO 预训练权重： Model | img size | MAP0.5 | MAP0.5:0.95 | 预训练模型| epochs ---- | ----- | ------ | ------ | ------ | ------ YOLOv6L | 640 | 0.928 | 0.761 | COCO | 50 YOLOv6M | 640 | 0.911 | 0.735 | COCO | 50 YOLOv6S | 640 | 0.902 | 0.705 | COCO | 50 YOLOv6T | 640 | 0.877 | 0.677 | COCO | 50 YOLOv6N | 640 | 0.844 | 0.633 | COCO | 50

无预训练权重

Model	img size	MAP0.5	MAP0.5:0.95	预训练模型	epochs
YOLOv6N	640	0.763	0.537	None	100
YOLOv6T	640	0.787	0.560	None	100
YOLOv6S	640	0.795	0.567	None	100
YOLOv6M	640	0.836	0.629	None	100
YOLOv6L	640	0.862	0.664	None	100
YOLOv6N6	640	0.799	0.567	not all	100
YOLOv6L6	640	0.911	0.741	not all	100
YOLOv6L6	640	0.866	0.674	None	100

YOLOv6 Pro 改进模块的基准实验

Model	img size	MAP0.5	MAP0.5:0.95	预训练模型	epochs	Params(M)	GFLOPs	数据集
YOLOv6T	640	0.787	0.560	None	100	9.68	24.84	VOC
YOLOv6S	640	0.795	0.567	None	100	17.19	44.09	VOC
YOLOv6M	640	0.836	0.629	None	100	34.3	82.2	VOC
YOLOv6T+FocalC3	640	0.780	0.544	None	100	9.47	24.53	VOC

• Params and GFLOPs are calculated in the validation phase，the calculation method uses the official YOLOv6 script
• Only 100 epochs of training, does not represent the final performance

训练你的数据集

数据集配置

data/images/train 中放入你的训练集图片
data/images/val 中放入你的验证集图片
data/labels/train 中放入你的训练集标签(标签格式为yolo格式)
data/labels/val 中放入你的验证集标签 

数据集文件结构

├── data
│   ├── images
│   │   ├── train
│   │   └── val
│   ├── labels
│   │   ├── train
│   │   ├── val

data.yaml 配置

train: data/images/train # 训练集路径
val: data/images/val # 验证集路径
is_coco: False
nc: 3  # 设置为你的类别数量
names: ["car","person","bike"] #类别名称

网络结构文件配置

以yolov6l.yaml为例

depth_multiple: 1.0  # model depth multiple
width_multiple: 1.0  # layer channel multiple
backbone:
  # [from, number, module, args]
  [[-1, 1, ConvWrapper, [64, 3, 2]],  # 0-P1/2
   [-1, 1, ConvWrapper, [128, 3, 2]],  # 1-P2/4
   [-1, 1, BepC3, [128, 6, "ConvWrapper"]],
   [-1, 1, ConvWrapper, [256, 3, 2]],  # 3-P3/8
   [-1, 1, BepC3, [256, 12, "ConvWrapper"]],
   [-1, 1, ConvWrapper, [512, 3, 2]],  # 5-P4/16
   [-1, 1, BepC3, [512, 18, "ConvWrapper"]],
   [-1, 1, ConvWrapper, [1024, 3, 2]],  # 7-P5/32
   [-1, 1, BepC3, [1024, 6, "ConvWrapper"]],
   [-1, 1, SPPF, [1024, 5]]]  # 9
neck:
   [[-1, 1, SimConv, [256, 1, 1]],
   [-1, 1, Transpose, [256]],
   [[-1, 6], 1, Concat, [1]],  #768
   [-1, 1, BepC3, [256, 12, "ConvWrapper"]],

   [-1, 1, SimConv, [128, 1, 1]],
   [-1, 1, Transpose, [128]],
   [[-1, 4], 1, Concat, [1]],  #384
   [-1, 1, BepC3, [128, 12, "ConvWrapper"]],   #17 (P3/8-small)

   [-1, 1, SimConv, [128, 3, 2]],
   [[-1, 14], 1, Concat, [1]],  
   [-1, 1, BepC3, [256, 12, "ConvWrapper"]],  # 20 (P4/16-medium)

   [-1, 1, SimConv, [256, 3, 2]],
   [[-1, 10], 1, Concat, [1]], 
   [-1, 1, BepC3, [512, 12, "ConvWrapper"]]]  # 23 (P5/32-large)
effidehead:
  [[17, 1, Head_layers, [128， 16]], 
  [20, 1, Head_layers, [256， 16]], 
  [23, 1, Head_layers, [512， 16]],
  [[24, 25, 26], 1, Out, []]]

预训练权重（官方权重转化而来）

基本模型
YOLOv6-L.pt
YOLOv6-M.pt
YOLOv6-S.pt
YOLOv6-T.pt
YOLOv6-N.pt
大尺寸模型
YOLOv6-L6-p2.pt
YOLOv6-L6.pt
YOLOv6-N6.pt
tips：其中大尺寸模型无 coco 预训练权重，而是从小模型的对应层转化而来

训练命令

使用预训练权重：

YOLOv6t

python tools/train.py --conf-file configs/model_yaml/yolov6t_yaml.py --data data/data.yaml --device 0 --img 640

YOLOv6s

python tools/train.py --conf-file configs/model_yaml/yolov6s_yaml.py --data data/data.yaml --device 0 --img 640

YOLOv6m

python tools/train.py --conf-file configs/model_yaml/yolov6m_yaml.py --data data/data.yaml --device 0 --img 640

YOLOv6l

python tools/train.py --conf-file configs/model_yaml/yolov6l_yaml.py --data data/data.yaml --device 0 --img 640

不使用预训练权重：

Tips: 如果不使用预训练权重，建议用更大的学习率，可以更快得到结果，否则会很难训练，两者配置文件的区别可以从 configs/model_yaml 和 configs/without_weights中看到 只需要将 --conf-file configs/without_weights/yolov6l_yaml.py 中的 model_yaml 改为 without_weights 即可，调用无预训练权重的配置文件，如训练 YOLOv6l 不使用预训练：

python tools/train.py --conf-file configs/without_weights/yolov6l_yaml.py --data data/data.yaml --device 0 --img 640

如何增加自己的模块

与 yolov5 的方式类似

step1: 先在yolov6/layers/common.py 中加入模块的代码
step2: 在yolov6/models/yolo.py 的 parse_model 函数中加入对应模块的条件判断语句
step3: 在configs/yaml/目录下新建你的 yaml 文件，并将模块加入
step4: 在configs/model_yaml/ 目录下新建一个 py 文件，并将yaml_file目录改为 yaml 文件的路径
step5: 运行训练命令

Acknowledgements

• https://github.com/meituan/YOLOv6
• https://github.com/ultralytics/yolov5
• https://github.com/iscyy/yoloair

Cite

@article{li2022yolov6,
  title={YOLOv6: A single-stage object detection framework for industrial applications},
  author={Li, Chuyi and Li, Lulu and Jiang, Hongliang and Weng, Kaiheng and Geng, Yifei and Li, Liang and Ke, Zaidan and Li, Qingyuan and Cheng, Meng and Nie, Weiqiang and others},
  journal={arXiv preprint arXiv:2209.02976},
  year={2022}
}