YOLOv6又快又準的目標偵測框架已經開源了

作者：楚怡、凱衡等 

近日，美團視覺智能部研發了一款致力於工業應用的目標偵測架構 YOLOv6，能夠同時專注於偵測的精確度與推理效率。在研發過程中，視覺智能部不斷進行了探索和優化，同時吸取借鑒了學術界和工業界的一些前沿進展和科研成果。在目標偵測權威資料集 COCO 上的實驗結果顯示，YOLOv6 在偵測精度和速度方面均超越其他同體量的演算法，同時支援多種不同平台的部署，極大簡化工程部署時的適配工作。特此開源，希望能幫助更多的同學。

1. 概述

YOLOv6 是美團視覺智能部研發的目標偵測框架，致力於工業應用。本架構同時專注於偵測的精確度與推理效率，在業界常用的尺寸模型中：YOLOv6-nano 在COCO 上精確度可達 35.0% AP，在T4 上推理速度可達  1242 FPS；YOLOv6-s 在COCO 上精確度可達 43.1% AP，在T4 上推理速度可達 520 FPS。在部署方面，YOLOv6 支援GPU（TensorRT）、CPU（OPENVINO）、ARM（MNN、TNN、NCNN）等不同平台的部署，極大簡化工程部署時的適配工作。目前，專案已開源至Github，傳送門：#YOLOv6#。歡迎有需要的朋友們Star收藏，隨時取用。

精準度與速度遠超YOLOv5 和YOLOX 的新框架

#目標檢測作為電腦視覺領域的一項基礎性技術，在工業界得到了廣泛的應用，其中YOLO 系列演算法因其較好的綜合性能，逐漸成為大多數工業應用時的首選框架。至今，業界已衍生出許多YOLO 檢測框架，其中以YOLOv5^[1]、YOLOX^[2] 和PP-YOLOE^[3] 最具代表性，但在實際使用中，我們發現上述框架在速度和精度方面仍有很大的提升的空間。基於此，我們透過研究並借鑒了業界已有的先進技術，開發了一套新的目標偵測框架—YOLOv6。該框架支援模型訓練、推理及多平台部署等全鏈條的工業應用需求，並在網路結構、訓練策略等演算法層面進行了多項改進和最佳化，在COCO 資料集上，YOLOv6 在精度和速度方面均超越其他同體量演算法，相關結果如下圖1 所示：

#圖1-1 YOLOv6 各尺寸模型與其他模型效能比較

#YOLOv6 與其他模型在不同解析度下效能比較圖1-1 

展示了不同尺寸網路下各檢測演算法的效能對比，曲線上的點分別表示此偵測演算法在不同尺寸網路下（

s /tiny/nano

）的模型性能，從圖中可以看到，YOLOv6 在精度和速度方面均超越其他YOLO 系列同體量演算法。 圖1-2 展示了輸入解析度變化時各檢測網路模型的效能對比，曲線上的點從左往右分別表示影像解析度依序增加時（

384/448/512/576 /640###）此模型的效能，從圖中可以看到，YOLOv6 在不同解析度下，仍保持較大的效能優勢。 #########2. YOLOv6關鍵技術介紹#########YOLOv6 主要在 Backbone、Neck、Head 以及訓練策略等方面進行了諸多的改進：######

• 我們統一設計了更有效率的Backbone 和Neck ：受到硬體感知神經網路設計想法的啟發，基於RepVGG style^[4] 設計了可重參數化、更高效的骨幹網路EfficientRep Backbone 和Rep-PAN Neck。
• 優化設計了更簡潔有效的 Efficient Decoupled Head，在維持​​精確度的同時，進一步降低了一般解耦頭帶來的額外延遲開銷。
• 在訓練策略上，我們採用Anchor-free 無錨範式，同時輔以SimOTA^[2] 標籤分配策略以及SIoU^[9]  邊界框回歸損失來進一步提高偵測精確度。

2.1 Hardware-friendly 的骨幹網路設計

YOLOv5/YOLOX 使用的Backbone 和Neck 都基於CSPNet^[5] 搭建，採用了多分支的方式和殘差結構。對於 GPU 等硬體來說，這種結構會一定程度上增加延時，同時減少記憶體頻寬利用率。下圖 2 為電腦體系結構領域中的 Roofline Model^[8] 介紹圖，顯示了硬體中運算能力與記憶體頻寬之間的關聯關係。

圖2 Roofline Model 介紹圖

#於是，我們基於硬體感知神經網路設計的思想，對Backbone 和Neck 進行了重新設計和最佳化。該思想基於硬體的特性、推理框架/編譯框架的特點，以硬體和編譯友善的結構作為設計原則，在網路建置時，綜合考慮硬體運算能力、記憶體頻寬、編譯最佳化特性、網路表徵能力等，進而獲得又快又好的網路結構。對上述重新設計的兩個偵測元件，我們在YOLOv6 中分別稱為EfficientRep Backbone 和Rep-PAN Neck，其主要貢獻點在於：

1. #引入了RepVGG^[4] style 結構。
2. 基於硬體感知想法重新設計了 Backbone 和 Neck。

RepVGG^[4] Style 結構是一種在訓練時具有多分支拓撲，而在實際部署時可以等效融合為單一3x3卷積的一種可重參數化的結構（融合過程如下圖3 所示）。透過融合成的3x3 卷積結構，可以有效利用運算密集型硬體運算能力（例如GPU），同時也可獲得GPU/CPU 上已經高度最佳化的NVIDIA cuDNN 和Intel MKL 編譯框架的協助。

實驗表明，透過上述策略，YOLOv6 減少了在硬體上的延時，並顯著提升了演算法的精度，讓檢測網路更快更強。以 nano 尺寸模型為例，比較 YOLOv5-nano 採用的網路結構，本方法在速度上提升了21%，同時精確度提升 3.6% AP。

圖3 Rep算子的融合過程[4]

EfficientRep Backbone：在Backbone 設計方面，我們基於上述Rep 算符設計了一個高效率的Backbone。相較於 YOLOv5 採用的 CSP-Backbone，該 Backbone 能夠高效利用硬體（如 GPU）算力的同時，還具有較強的表徵能力。

下圖 4 為 EfficientRep Backbone 具體設計結構圖，我們將 Backbone 中 stride=2 的普通 Conv 層替換成了 stride=2 的 RepConv層。同時，將原始的 CSP-Block 都重新設計為 RepBlock，其中 RepBlock 的第一個 RepConv 會做 channel 維度的變換和對齊。另外，我們也將原始的 SPPF 最佳化設計為更有效率的 SimSPPF。

圖4 EfficientRep Backbone 結構圖

Rep-PAN#：在Neck 設計方面，為了讓其在硬體上推理更加高效，以達到更好的精度與速度的平衡，我們基於硬體感知神經網路設計思想，為YOLOv6 設計了一個更有效的特徵融合網路結構。

Rep-PAN 基於PAN^[6] 拓撲方式，用RepBlock 取代了YOLOv5 中使用的CSP-Block，同時對整體Neck 中的算子進行了調整，目的是在在硬體上達到高效推理的同時，保持較好的多尺度特徵融合能力（Rep-PAN 結構圖如下圖5 所示）。

圖5 Rep-PAN 結構圖

2.2 更簡潔有效率的Decoupled Head

#在YOLOv6 中，我們採用了解耦檢測頭（Decoupled Head）結構，並對其進行了精簡設計。原始YOLOv5 的檢測頭是透過分類和回歸分支融合共享的方式來實現的，而YOLOX 的檢測頭則是將分類和回歸分支進行解耦，同時新增了兩個額外的3x3 的捲積層，雖然提升了偵測精度，但一定程度上增加了網路延遲。

因此，我們對解耦頭進行了精簡設計，同時綜合考慮到相關算子表徵能力和硬體上計算開銷這兩者的平衡，採用Hybrid Channels 策略重新設計了一個更有效率的解耦頭結構，在維持精度的同時降低了延時，緩解了解耦頭中3x3 卷積帶來的額外延時開銷。透過在 nano 尺寸模型上進行消融實驗，對比相同通道數的解耦頭結構，精度提升 0.2% AP 的同時，速度提升6.8%。

圖6 Efficient Decoupled Head 結構圖

2.3 更有效的訓練策略

#為了進一步提升檢測精度，我們吸收借鑒了學術界和業界其他檢測框架的先進研究進展：Anchor-free 無錨範式、SimOTA 標籤分配策略以及SIoU 邊界框回歸損失。

Anchor-free 無錨範式

#YOLOv6 採用了更簡潔的 Anchor-free 偵測方法。由於Anchor-based檢測器需要在訓練之前進行聚類分析以確定最佳Anchor 集合，這會一定程度提高檢測器的複雜度；同時，在一些邊緣端的應用中，需要在硬體之間搬運大量檢測結果的步驟，也會帶來額外的延遲。而 Anchor-free 無錨範式因其泛化能力強，解碼邏輯更簡單，在近幾年中應用比較廣泛。經過 Anchor-free 的實驗研究，我們發現，相較於Anchor-based 檢測器的複雜度所帶來的額外延時，Anchor-free 檢測器在速度上有51%的提升。

SimOTA 標籤分配策略

為了獲得更多高品質的正樣本，YOLOv6 引入了SimOTA ^[4]演算法動態分配正樣本，進一步提高偵測精度。 YOLOv5 的標籤分配策略是基於 Shape 匹配，並透過跨網格匹配策略增加正樣本數量，從而使得網路快速收斂，但是該方法屬於靜態分配方法，並不會隨著網路訓練的過程而調整。

近年來，也出現不少基於動態標籤分配的方法，此類方法會根據訓練過程中的網路輸出來分配正樣本，從而可以產生更多高品質的正樣本，繼而又促進網路的正向優化。例如，OTA^[7] 將樣本匹配建模成最佳傳輸問題，求出全局資訊下的最佳樣本匹配策略以提升精確度，但OTA 由於使用了Sinkhorn-Knopp 演算法導致訓練時間加長，而SimOTA^[4]演算法使用Top-K 近似策略來得到樣本最佳匹配，大大加快了訓練速度。故 YOLOv6 採用了SimOTA 動態分配策略，並結合無錨範式，在 nano 尺寸模型上平均檢測精度提升 1.3% AP。

SIoU 邊界框回歸損失

#為了進一步提升回歸精確度，YOLOv6 採用了SIoU^{[9 ]} 邊界框回歸損失函數來監督網路的學習。目標偵測網路的訓練一般需要至少定義兩個損失函數：分類損失和邊界框迴歸損失，而損失函數的定義往往對偵測精度以及訓練速度產生較大的影響。

近年來，常用的邊界框回歸損失包括IoU、GIoU、CIoU、DIoU loss等等，這些損失函數透過考慮預測框與目標框之前的重疊程度、中心點距離、縱橫比等因素來衡量兩者之間的差距，從而指導網路最小化損失以提升回歸精度，但是這些方法都沒有考慮到預測框與目標框之間方向的匹配性。 SIoU 損失函數透過引入了所需回歸之間的向量角度，重新定義了距離損失，有效降低了回歸的自由度，加快網路收斂，進一步提升了回歸精度。透過在 YOLOv6s 上採用 SIoU loss 進行實驗，對比 CIoU loss，平均偵測精度提升 0.3% AP。

3. 實驗結果

經過以上最佳化策略和改進，YOLOv6 在多個不同尺寸下的模型均取得了卓越的表現。下表 1 展示了 YOLOv6-nano 的消融實驗結果，從實驗結果可以看出，我們自主設計的偵測網路在精確度和速度上都帶來了極大的增益。

表1 YOLOv6-nano 消融實驗結果下表 2 展示了 YOLOv6 與當前主流的其他 YOLO 系列演算法相比較的實驗結果。從表格中可以看到：

表2 YOLOv6各尺寸模型效能與其他模型的比較

• YOLOv6-nano 在COCO val 上取得了35.0% AP 的精度，同時在T4 上使用TRT FP16  batchsize=32 進行推理，可達到1242FPS 的性能，相較於YOLOv5-nano 精度提升7% AP ，速度提升85%。
• YOLOv6-tiny 在COCO val 上取得了41.3% AP 的精確度， 同時在T4 上使用TRT FP16  batchsize=32 進行推理，可達到602FPS 的效能，相較於YOLOv5 -s 精度提升3.9% AP，速度提升29.4%。
• YOLOv6-s 在COCO val 上取得了43.1% AP 的精度， 同時在T4 上使用TRT FP16 batchsize=32 進行推理，可達到520FPS 的性能，相較於YOLOX -s 精度提升2.6% AP，速度提升38.6%；相較於PP-YOLOE-s 精度提升0.4% AP的條件下，在T4上使用TRT FP16 進行單batch 推理，速度提升71.3%。

4. 總結與展望

#本文介紹了美團視覺智能部在目標偵測框架上的最佳化及實務經驗，我們針對YOLO 系列框架，在訓練策略、主幹網絡、多尺度特徵融合、檢測頭等方面進行了思考和優化，設計了新的檢測框架-YOLOv6，初衷來自於解決工業應用落地時所遇到的實際問題。

在打造YOLOv6 框架的同時，我們探索並優化了一些新的方法，例如基於硬體感知神經網路設計想法自研了EfficientRep Backbone、Rep-Neck 和Efficient Decoupled Head ，同時也吸收借鑒了學術界和工業界的一些前沿進展和成果，例如Anchor-free、SimOTA 和SIoU 回歸損失。在 COCO 資料集上的實驗結果顯示，YOLOv6 在偵測精度和速度方面都屬於佼佼者。

未來我們會持續建立和完善YOLOv6 生態，主要工作包括以下幾個面向：

1. 完善YOLOv6 全系列模型，持續提升檢測性能。
2. 在多種硬體平台上，設計硬體友善的模型。
3. 支援 ARM 平台部署以及量化蒸餾等全鏈條適配。
4. 橫向拓展和引入關聯技術，如半監督、自監督學習等等。
5. 探索 YOLOv6 在更多的未知業務場景上的泛化效能。

#

以上是YOLOv6又快又準的目標偵測框架已經開源了的詳細內容。更多資訊請關注PHP中文網其他相關文章！