超越YOLOv8！YOLOv6 v3.0实时目标检测重磅升级！

公众号新闻

2023-01-17 05:01

YOLOv6 v3.0的主要贡献简述如下：

对检测器的Neck部件进行了翻新：引入BiC(Bi-directional Concatenation)提供更精确的定位信息；将SPPF简化为SimCSPSPPF，牺牲较少的速度提升更多的性能。
提出一种AAT(Anchor-aided training)策略，在不影响推理效率的情况下同时受益于Anchor-basedAnchor-free设计理念。
对YOLOv6的Backbone与Neck进行加深，在更高分辨率输入下达成新的SOTA性能。
提出一种新的自蒸馏策略提升YOLOv6小模型的性能，训练阶段采用更大的DFL作为增强版辅助回归分支。

本文方案

Network Design

在网络架构方面，本文主要从Neck与SPP两个维度进行改进：

在Neck方面，本文设计了一种增强的PAN模块，它次用BiC模块对三个近邻层特征进行集成(可参考上图b)，额外引入了。这种处理截止可以保留更精确的定位信息，对于小目标定位非常重要。
在SPP方面，本文对YOLOv5 v6.1版本的SPPF进行了简化，得到了所谓的SimCSPSPPF(可参考上图c)。

Anchor-Aided Training

YOLOv6是一种追求更高推理速度的Anchor-free检测器。然而，作者发现：在同等配置(YOLOv6-N)下，相比Anchor-free方案，Anchor-based方案可以带来额外的性能增益，见上表。

有鉴于此，作者提出了AAT策略(即Anchor辅助训练，见上图)，它引入了一个Anchor-based辅助分支以组合两种方案的优势。通过这种训练策略，源自的辅助分支的引导信息可以被有效的嵌入到Anchor-free分支。在推理阶段，辅助分支将被移除掉。也就是说，AAT策略属于"赠品"，加量不加价的那种。

Self-distillation

在YOLOv6早期版本中，自蒸馏仅在大模型中得到应用，采用的普通KL散度蒸馏。知识蒸馏损失与整体损失定义如下：

超参数用于对两个损失进行平衡。在训练的早期，源自老师模型的软标签更易于学习；而在训练的后期，学生模型从硬标签中受益更多。因此，作者设计了一种cosine weight decay调整机制：

由于DFL会对回归分支引入额外的参数，极大程度影响小模型的推理速度。因此，作者针对小模型设计了一种DLD(Decoupled Localization Distillation)以提升性能且不影响推理速度。具体来说，在小模型中插入一个增强版回归分支作为辅助。在自蒸馏阶段，小模型受普通回归分支与增强回归分支加持，老师模型近使用辅助分支。需要注意：普通分支仅采用硬标签进行训练，而辅助分支则用硬标签与源自老师模型的软标签进行训练。完成蒸馏后，仅普通分支保留，辅助分支被移除。这种训练策略又是一种加量不加价的"赠品"。

Experiments

上表给出了不同方案的性能对比，可以看到：

相比YOLOv5-N、YOLOv7-Tiny，YOLOv6-N指标分别提升9.5%、4.2%，同时具有最佳速度。
相比YOLOX-S、PPYOLOE-S、YOLOv6-S指标分别提升3.5%、0.9%且速度更快；
YOLOv6-M比YOLOv5-M指标高4.6%、速度相当，比YOLOX-M、PPYOLOE-M指标高3.1%、1.0%且速度更快；
除了比YOLOv5-L更高更快外，YOLOv6-L比YOLOX-L、PPYOLOE-L分别高3.1%、1.4%且速度相当。
相比YOLOv8，YOLOv6在所有尺寸下取得了相当的精度，同时具有更优的吞吐性能。

除了上述常规模型尺寸外，作者还进一步提升了输入分辨率并添加了C6特征，与YOLOv5等方案对比：

相比YOLOv5系列(即YOLOv5-N6/S6/M6/L6/X6)，YOLOv6具有更高的AP、相当的速度；
相比YOLOv7-E6E，YOLOv6-L6指标高出0.4%，推理速度快36%。

更多消融实验，请移步原文。这里略过不提。

YOLOv6 v3.0论文和代码下载

后台回复：YOLOv6，即可下载论文和代码

目标检测交流群成立

扫描下方二维码，或者添加微信：CVer222，即可添加CVer小助手微信，便可申请加入CVer-目标检测 微信交流群。另外其他垂直方向已涵盖：目标检测、图像分割、目标跟踪、人脸检测&识别、OCR、姿态估计、超分辨率、SLAM、医疗影像、Re-ID、GAN、NAS、深度估计、自动驾驶、强化学习、车道线检测、模型剪枝&压缩、去噪、去雾、去雨、风格迁移、遥感图像、行为识别、视频理解、图像融合、图像检索、论文投稿&交流、PyTorch、TensorFlow和Transformer等。

一定要备注：研究方向+地点+学校/公司+昵称（如目标检测+上海+上交+卡卡），根据格式备注，可更快被通过且邀请进群

▲扫码或加微信号: CVer222，进交流群

CVer学术交流群（知识星球）来了！想要了解最新最快最好的CV/DL/ML论文速递、优质开源项目、学习教程和实战训练等资料，欢迎扫描下方二维码，加入CVer学术交流群，已汇集数千人！

▲扫码进群

▲点击上方卡片，关注CVer公众号

整理不易，请点赞和在看

微信扫码关注该文公众号作者

戳这里提交新闻线索和高质量文章给我们。

来源: qq

点击查看作者最近其他文章