YOLOv6又快又准的目标检测框架 已开源

先看YOLOv6精度：

Model	Size	mAPval 0.5:0.95	SpeedV100 fp16 b32 (ms)	SpeedV100 fp32 b32 (ms)	SpeedT4 trt fp16 b1 (fps)	SpeedT4 trt fp16 b32 (fps)	Params (M)	Flops (G)
YOLOv6-n	416 640	30.8 35.0	0.3 0.5	0.4 0.7	1100 788	2716 1242	4.3 4.3	4.7 11.1
YOLOv6-tiny	640	41.3	0.9	1.5	425	602	15.0	36.7
YOLOv6-s	640	43.1	1.0	1.7	373	520	17.2	44.2

右下角有个明显的漏检，比yoloe召回率要低。

yoloe-s效果：

yoloe使用心得笔记：

yoloe 目标检测使用笔记_AI视觉网奇的博客-CSDN博客

yolov5精度：

Model	size (pixels)	mAPval 0.5:0.95	mAPval 0.5	Speed CPU b1 (ms)	Speed V100 b1 (ms)	Speed V100 b32 (ms)	params (M)	FLOPs @640 (B)
YOLOv5n	640	28.0	45.7	45	6.3	0.6	1.9	4.5
YOLOv5s	640	37.4	56.8	98	6.4	0.9	7.2	16.5
YOLOv5m	640	45.4	64.1	224	8.2	1.7	21.2	49.0
YOLOv5l	640	49.0	67.3	430	10.1	2.7	46.5	109.1
YOLOv5x	640	50.7	68.9	766	12.1	4.8	86.7	205.7
YOLOv5n6	1280	36.0	54.4	153	8.1	2.1	3.2	4.6
YOLOv5s6	1280	44.8	63.7	385	8.2	3.6	12.6	16.8
YOLOv5m6	1280	51.3	69.3	887	11.1	6.8	35.7	50.0
YOLOv5l6	1280	53.7	71.3	1784	15.8	10.5	76.8	111.4
YOLOv5x6 + TTA

yoloe精度：

PP-YOLOE-s

640

43.1%

Training...

Training...

7.93

17.36

baidu pan code:qfld

baidu pan code:mwjy

 以下内容转自：

劲爆！YOLOv6又快又准的目标检测框架开源啦（附源代码下载）

代码地址：https://github.com/meituan/YOLOv6

精度对比：

图1-1 YOLOv6 各尺寸模型与其他模型性能对比

图1-2 YOLOv6 与其他模型在不同分辨率下性能对比

02

Yolov6关键技术

Hardware-friendly 的骨干网络设计

图2 Roofline Model 介绍图

图3 Rep算子的融合过程[4]

图4 EfficientRep Backbone 结构图

图5 Rep-PAN 结构图

更简洁高效的 Decoupled Head

图6 Efficient Decoupled Head 结构图

更有效的训练策略

03

实验结果及可视化

经过以上优化策略和改进，YOLOv6在多个不同尺寸下的模型均取得了卓越的表现。下表1展示了YOLOv6-nano的消融实验结果，从实验结果可以看出，我们自主设计的检测网络在精度和速度上都带来了很大的增益。

表1 YOLOv6-nano 消融实验结果

下表2展示了YOLOv6与当前主流的其他YOLO系列算法相比较的实验结果。从表格中可以看到：

表2 YOLOv6各尺寸模型性能与其他模型的比较

04

总结与展望