| 网络网络 | 输入尺寸 | 图片数/GPU | 学习率策略 | 模型推理耗时(ms) | mAP | AP50 | Params(M) | FLOPs(G) | 下载链接 | 配置文件 |
|---|---|---|---|---|---|---|---|---|---|---|
| YOLOv6-n | 416 | 16 | 400e | 1.0 | 31.1 | 45.3 | 4.74 | 5.16 | 下载链接 | 配置文件 |
| YOLOv6-n | 640 | 16 | 400e | 1.3 | 36.1 | 51.9 | 4.74 | 12.21 | 下载链接 | 配置文件 |
| YOLOv6-t | 640 | 32 | 400e | 2.1 | 40.7 | 57.4 | 10.63 | 27.29 | 下载链接 | 配置文件 |
| YOLOv6-s | 640 | 32 | 400e | 2.6 | 43.4 | 60.5 | 18.87 | 48.35 | 下载链接 | 配置文件 |
| YOLOv6-m | 640 | 32 | 300e | 5.0 | 49.0 | 66.5 | 37.17 | 88.82 | 下载链接 | 配置文件 |
| YOLOv6-l | 640 | 32(16) | 300e | 7.9 | 51.0 | 68.9 | 63.54 | 155.89 | 下载链接 | 配置文件 |
| YOLOv6-l-silu | 640 | 32(16) | 300e | 9.6 | 51.7 | 69.6 | 58.59 | 142.66 | 下载链接 | 配置文件 |
注意:
- YOLOv6模型训练使用COCO train2017作为训练集，mAP为在COCO val2017上的
mAP(IoU=0.5:0.95)结果，且评估未使用multi_label等trick； - YOLOv6 n t s 模型使用
EfficientRep和RepPAN，YOLOv6 m l 模型使用CSPBepBackbone和CSPRepPAN，Params(M)和FLOPs(G)均为训练时所测； - YOLOv6 m l 模型需要先训练基础模型300epoch，再使用蒸馏自监督训练300epoch(增益1.0+ mAP)，且使用
dfl_loss和设置reg_max=16，其余n t s 模型则均未使用； - YOLOv6 l 模型原文默认激活函数为
silu，其余n t s m模型则默认为relu； - YOLOv6 n t 模型原文训练默认会使用到
siou loss，其余s m l模型则默认使用到giou loss； - YOLOv6模型训练过程中默认使用8 GPUs进行混合精度训练，默认每卡batch_size=32，其中YOLOv6 n模型每卡batch_size=16，YOLOv6 l模型在自蒸馏训练阶段每卡batch_size=16，默认lr为0.01为8卡总batch_size的设置，如果GPU卡数或者每卡batch size发生改动，也不需要改动学习率，但为了保证高精度最好使用总batch size大于64的配置去训练；
- 模型推理耗时(ms)为TensorRT-FP16下测试的耗时，不包含数据预处理和模型输出后处理(NMS)的耗时。测试采用单卡Tesla T4 GPU，batch size=1，测试环境为paddlepaddle-2.3.2, CUDA 11.2, CUDNN 8.2, GCC-8.2, TensorRT 8.0.3.4，具体请参考速度测试。
- 如果你设置了
--run_benchmark=True, 你首先需要安装以下依赖pip install pynvml psutil GPUtil。
| 网络模型 | 输入尺寸 | 导出后的权重(w/o NMS) | ONNX(w/o NMS) |
|---|---|---|---|
| yolov6-n | 416 | ( w/ nms) | ( w/o nms) | ( w/ nms) | ( w/o nms) |
| yolov6-n | 640 | ( w/ nms) | ( w/o nms) | ( w/ nms) | ( w/o nms) |
| yolov6-t | 640 | ( w/ nms) | ( w/o nms) | ( w/ nms) | ( w/o nms) |
| yolov6-s | 640 | ( w/ nms) | ( w/o nms) | ( w/ nms) | ( w/o nms) |
| yolov6-m | 640 | ( w/ nms) | ( w/o nms) | ( w/ nms) | ( w/o nms) |
| yolov6-l | 640 | ( w/ nms) | ( w/o nms) | ( w/ nms) | ( w/o nms) |
| yolov6-l-silu | 640 | ( w/ nms) | ( w/o nms) | ( w/ nms) | ( w/o nms) |
model_name=yolov6 # 可修改，如 yolov7
job_name=yolov6_s_400e_coco # 可修改，如 yolov6_l_silu_300e_coco
config=configs/${model_name}/${job_name}.yml
log_dir=log_dir/${job_name}
# weights=https://bj.bcebos.com/v1/paddledet/models/${job_name}.pdparams
weights=output/${job_name}/model_final.pdparams
# 1.训练（单卡/多卡）
# CUDA_VISIBLE_DEVICES=0 python3.7 tools/train.py -c ${config} --eval --amp
python3.7 -m paddle.distributed.launch --log_dir=${log_dir} --gpus 0,1,2,3,4,5,6,7 tools/train.py -c ${config} --eval --amp
# 2.评估
CUDA_VISIBLE_DEVICES=0 python3.7 tools/eval.py -c ${config} -o weights=${weights} --classwise
# 3.直接预测
CUDA_VISIBLE_DEVICES=0 python3.7 tools/infer.py -c ${config} -o weights=${weights} --infer_img=demo/000000014439_640x640.jpg --draw_threshold=0.5
# 4.导出模型
CUDA_VISIBLE_DEVICES=0 python3.7 tools/export_model.py -c ${config} -o weights=${weights} # exclude_nms=True trt=True
# 5.部署预测
CUDA_VISIBLE_DEVICES=0 python3.7 deploy/python/infer.py --model_dir=output_inference/${job_name} --image_file=demo/000000014439_640x640.jpg --device=GPU
# 6.部署测速
CUDA_VISIBLE_DEVICES=0 python3.7 deploy/python/infer.py --model_dir=output_inference/${job_name} --image_file=demo/000000014439_640x640.jpg --device=GPU --run_benchmark=True # --run_mode=trt_fp16
# 7.onnx导出
paddle2onnx --model_dir output_inference/${job_name} --model_filename model.pdmodel --params_filename model.pdiparams --opset_version 12 --save_file ${job_name}.onnx
# 8.onnx测速
/usr/local/TensorRT-8.0.3.4/bin/trtexec --onnx=${job_name}.onnx --workspace=4096 --avgRuns=10 --shapes=input:1x3x640x640 --fp16
执行以下指令使用混合精度训练YOLOv6
python -m paddle.distributed.launch --gpus 0,1,2,3,4,5,6,7 tools/train.py -c configs/yolov6/yolov6_s_400e_coco.yml --amp --eval注意:
--amp表示开启混合精度训练以避免显存溢出，--eval表示边训边验证。
执行以下命令在单个GPU上评估COCO val2017数据集
CUDA_VISIBLE_DEVICES=0 python tools/eval.py -c configs/yolov6/yolov6_s_400e_coco.yml -o weights=https://paddledet.bj.bcebos.com/models/yolov6_s_400e_coco.pdparams使用以下命令在单张GPU上预测图片，使用--infer_img推理单张图片以及使用--infer_dir推理文件中的所有图片。
# 推理单张图片
CUDA_VISIBLE_DEVICES=0 python tools/infer.py -c configs/yolov6/yolov6_s_400e_coco.yml -o weights=https://paddledet.bj.bcebos.com/models/yolov6_s_400e_coco.pdparams --infer_img=demo/000000014439_640x640.jpg
# 推理文件中的所有图片
CUDA_VISIBLE_DEVICES=0 python tools/infer.py -c configs/yolov6/yolov6_s_400e_coco.yml -o weights=https://paddledet.bj.bcebos.com/models/yolov6_s_400e_coco.pdparams --infer_dir=demo在GPU上推理部署或benchmark测速等需要通过tools/export_model.py导出模型。
当你使用Paddle Inference但不使用TensorRT时，运行以下的命令导出模型
python tools/export_model.py -c configs/yolov6/yolov6_s_400e_coco.yml -o weights=https://paddledet.bj.bcebos.com/models/yolov6_s_400e_coco.pdparams当你使用Paddle Inference且使用TensorRT时，需要指定-o trt=True来导出模型。
python tools/export_model.py -c configs/yolov6/yolov6_s_400e_coco.yml -o weights=https://paddledet.bj.bcebos.com/models/yolov6_s_400e_coco.pdparams trt=True如果你想将YOLOv6模型导出为ONNX格式，参考 PaddleDetection模型导出为ONNX格式教程，运行以下命令：
# 导出推理模型
python tools/export_model.py -c configs/yolov6/yolov6_s_400e_coco.yml --output_dir=output_inference -o weights=https://paddledet.bj.bcebos.com/models/yolov6_s_400e_coco.pdparams
# 安装paddle2onnx
pip install paddle2onnx
# 转换成onnx格式
paddle2onnx --model_dir output_inference/yolov6_s_400e_coco --model_filename model.pdmodel --params_filename model.pdiparams --opset_version 11 --save_file yolov6_s_400e_coco.onnx注意： ONNX模型目前只支持batch_size=1
YOLOv6可以使用以下方式进行部署：
- Paddle Inference Python & C++
- Paddle-TensorRT
- PaddleServing
- PaddleSlim模型量化
运行以下命令导出模型
python tools/export_model.py -c configs/yolov6/yolov6_s_400e_coco.yml -o weights=https://paddledet.bj.bcebos.com/models/yolov6_s_400e_coco.pdparams trt=True注意：
- trt=True表示使用Paddle Inference且使用TensorRT进行测速，速度会更快，默认不加即为False，表示使用Paddle Inference但不使用TensorRT进行测速。
- 如果是使用Paddle Inference在TensorRT FP16模式下部署，需要参考Paddle Inference文档，下载并安装与你的CUDA, CUDNN和TensorRT相应的wheel包。
deploy/python/infer.py使用上述导出后的Paddle Inference模型用于推理和benchnark测速，如果设置了--run_benchmark=True, 首先需要安装以下依赖pip install pynvml psutil GPUtil。
# Python部署推理单张图片
python deploy/python/infer.py --model_dir=output_inference/yolov6_s_400e_coco --image_file=demo/000000014439_640x640.jpg --device=gpu
# 推理文件夹下的所有图片
python deploy/python/infer.py --model_dir=output_inference/yolov6_s_400e_coco --image_dir=demo/ --device=gpudeploy/cpp/build/main使用上述导出后的Paddle Inference模型用于C++推理部署, 首先按照docs编译安装环境。
# C++部署推理单张图片
./deploy/cpp/build/main --model_dir=output_inference/yolov6_s_400e_coco/ --image_file=demo/000000014439_640x640.jpg --run_mode=paddle --device=GPU --threshold=0.5 --output_dir=cpp_infer_output/yolov6_s_400e_coco为了公平起见，在模型库中的速度测试结果均为不包含数据预处理和模型输出后处理(NMS)的数据(与YOLOv4(AlexyAB)测试方法一致)，需要在导出模型时指定-o exclude_nms=True。测速需设置--run_benchmark=True, 首先需要安装以下依赖pip install pynvml psutil GPUtil。
使用Paddle Inference但不使用TensorRT进行测速，执行以下命令：
# 导出模型
python tools/export_model.py -c configs/yolov6/yolov6_s_400e_coco.yml -o weights=https://paddledet.bj.bcebos.com/models/yolov6_s_400e_coco.pdparams exclude_nms=True
# 速度测试，使用run_benchmark=True
python deploy/python/infer.py --model_dir=output_inference/yolov6_s_400e_coco --image_file=demo/000000014439_640x640.jpg --run_mode=paddle --device=gpu --run_benchmark=True使用Paddle Inference且使用TensorRT进行测速，执行以下命令：
# 导出模型，使用trt=True
python tools/export_model.py -c configs/yolov6/yolov6_s_400e_coco.yml -o weights=https://paddledet.bj.bcebos.com/models/yolov6_s_400e_coco.pdparams exclude_nms=True trt=True
# 速度测试，使用run_benchmark=True
python deploy/python/infer.py --model_dir=output_inference/yolov6_s_400e_coco --image_file=demo/000000014439_640x640.jpg --device=gpu --run_benchmark=True
# tensorRT-FP32测速
python deploy/python/infer.py --model_dir=output_inference/yolov6_s_400e_coco --image_file=demo/000000014439_640x640.jpg --device=gpu --run_benchmark=True --run_mode=trt_fp32
# tensorRT-FP16测速
python deploy/python/infer.py --model_dir=output_inference/yolov6_s_400e_coco --image_file=demo/000000014439_640x640.jpg --device=gpu --run_benchmark=True --run_mode=trt_fp16注意:
- 导出模型时指定
-o exclude_nms=True仅作为测速时用，这样导出的模型其推理部署预测的结果不是最终检出框的结果。 - 模型库中的速度测试结果为tensorRT-FP16测速后的最快速度，为不包含数据预处理和模型输出后处理(NMS)的耗时。
@article{li2022yolov6,
title={YOLOv6: A Single-Stage Object Detection Framework for Industrial Applications},
journal={arXiv preprint arXiv:2207.02696},
year={2022}
}