# YOLOv6 **Repository Path**: deepspark-bot/YOLOv6 ## Basic Information - **Project Name**: YOLOv6 - **Description**: gitee mirror of github - **Primary Language**: Unknown - **License**: GPL-3.0 - **Default Branch**: main - **Homepage**: None - **GVP Project**: No ## Statistics - **Stars**: 0 - **Forks**: 0 - **Created**: 2024-12-25 - **Last Updated**: 2024-12-25 ## Categories & Tags **Categories**: Uncategorized **Tags**: None ## README

简体中文 | [English](README.md) ## YOLOv6 官方论文: - [YOLOv6 v3.0: A Full-Scale Reloading](https://arxiv.org/abs/2301.05586) 🔥 - [YOLOv6: A Single-Stage Object Detection Framework for Industrial Applications](https://arxiv.org/abs/2209.02976)

## 更新日志 - [2023.04.28] 发布 移动端轻量级模型 [YOLOv6Lite](configs/yolov6_lite/README.md). ⭐️ [移动端模型指标](#移动端模型指标) - [2023.03.10] 发布 [YOLOv6-Face](https://github.com/meituan/YOLOv6/tree/yolov6-face). 🔥 [人脸检测模型指标](https://github.com/meituan/YOLOv6/blob/yolov6-face/README_cn.md#widerface-%E6%A8%A1%E5%9E%8B%E6%8C%87%E6%A0%87) - [2023.03.02] 更新 [基础版模型](configs/base/README_cn.md) 到 3.0 版本 - [2023.01.06] 发布大分辨率 P6 模型以及对 P5 模型做了全面的升级 ⭐️ [模型指标](#模型指标) - [2022.11.04] 发布 [基础版模型](configs/base/README_cn.md) 简化训练部署流程 - [2022.09.06] 定制化的模型量化加速方法 🚀 [量化教程](./tools/qat/README.md) - [2022.09.05] 发布 M/L 模型，并且进一步提高了 N/T/S 模型的性能 - [2022.06.23] 发布 N/T/S v1.0 版本模型 ## 模型指标 | 模型 | 输入尺寸 | mAPval
0.5:0.95 | 速度T4
trt fp16 b1
(fps) | 速度T4
trt fp16 b32
(fps) | Params
(M) | FLOPs
(G) | | :----------------------------------------------------------- | ---- | :------------------------------------ | --------------------------------------- | ---------------------------------------- | -------------------- | ------------------- | | [**YOLOv6-N**](https://github.com/meituan/YOLOv6/releases/download/0.3.0/yolov6n.pt) | 640 | 37.5 | 779 | 1187 | 4.7 | 11.4 | | [**YOLOv6-S**](https://github.com/meituan/YOLOv6/releases/download/0.3.0/yolov6s.pt) | 640 | 45.0 | 339 | 484 | 18.5 | 45.3 | | [**YOLOv6-M**](https://github.com/meituan/YOLOv6/releases/download/0.3.0/yolov6m.pt) | 640 | 50.0 | 175 | 226 | 34.9 | 85.8 | | [**YOLOv6-L**](https://github.com/meituan/YOLOv6/releases/download/0.3.0/yolov6l.pt) | 640 | 52.8 | 98 | 116 | 59.6 | 150.7 | | | | | | | | [**YOLOv6-N6**](https://github.com/meituan/YOLOv6/releases/download/0.3.0/yolov6n6.pt) | 1280 | 44.9 | 228 | 281 | 10.4 | 49.8 | | [**YOLOv6-S6**](https://github.com/meituan/YOLOv6/releases/download/0.3.0/yolov6s6.pt) | 1280 | 50.3 | 98 | 108 | 41.4 | 198.0 | | [**YOLOv6-M6**](https://github.com/meituan/YOLOv6/releases/download/0.3.0/yolov6m6.pt) | 1280 | 55.2 | 47 | 55 | 79.6 | 379.5 | | [**YOLOv6-L6**](https://github.com/meituan/YOLOv6/releases/download/0.3.0/yolov6l6.pt) | 1280 | 57.2 | 26 | 29 | 140.4 | 673.4 |
表格笔记 - 除了 YOLOv6-N6/S6 模型是训练了300轮的结果，其余模型均为自蒸馏训练之后的结果； - mAP 和速度指标是在 [COCO val2017](https://cocodataset.org/#download) 数据集上评估的，P5模型输入分辨率为 640×640，P6模型输入分辨率为 1280×1280； - 速度是在 T4 上测试的，TensorRT 版本为 7.2； - 复现 YOLOv6 的速度指标，请查看 [速度测试](./docs/Test_speed.md) 教程； - YOLOv6 的参数和计算量是在推理模式下计算的；
旧版模型 | 模型 | 输入尺寸 | mAPval
0.5:0.95 | 速度T4
trt fp16 b1
(fps) | 速度T4
trt fp16 b32
(fps) | Params
(M) | FLOPs
(G) | | :----------------------------------------------------------- | ---- | :------------------------------------ | --------------------------------------- | ---------------------------------------- | -------------------- | ------------------- | | [**YOLOv6-N**](https://github.com/meituan/YOLOv6/releases/download/0.2.0/yolov6n.pt) | 640 | 35.9300e
36.3400e | 802 | 1234 | 4.3 | 11.1 | | [**YOLOv6-T**](https://github.com/meituan/YOLOv6/releases/download/0.2.0/yolov6t.pt) | 640 | 40.3300e
41.1400e | 449 | 659 | 15.0 | 36.7 | | [**YOLOv6-S**](https://github.com/meituan/YOLOv6/releases/download/0.2.0/yolov6s.pt) | 640 | 43.5300e
43.8400e | 358 | 495 | 17.2 | 44.2 | | [**YOLOv6-M**](https://github.com/meituan/YOLOv6/releases/download/0.2.0/yolov6m.pt) | 640 | 49.5 | 179 | 233 | 34.3 | 82.2 | | [**YOLOv6-L-ReLU**](https://github.com/meituan/YOLOv6/releases/download/0.2.0/yolov6l_relu.pt) | 640 | 51.7 | 113 | 149 | 58.5 | 144.0 | | [**YOLOv6-L**](https://github.com/meituan/YOLOv6/releases/download/0.2.0/yolov6l.pt) | 640 | 52.5 | 98 | 121 | 58.5 | 144.0 | - 速度是在 T4 上测试的，TensorRT 版本为 7.2； ### 量化模型 | 模型 | 输入尺寸 | 精度 | mAPval
0.5:0.95 | 速度T4
trt b1
(fps) | 速度T4
trt b32
(fps) | | :-------------------- | ---- | --------- | :----------------------- | ---------------------------------- | ----------------------------------- | | **YOLOv6-N RepOpt** | 640 | INT8 | 34.8 | 1114 | 1828 | | **YOLOv6-N** | 640 | FP16 | 35.9 | 802 | 1234 | | **YOLOv6-T RepOpt** | 640 | INT8 | 39.8 | 741 | 1167 | | **YOLOv6-T** | 640 | FP16 | 40.3 | 449 | 659 | | **YOLOv6-S RepOpt** | 640 | INT8 | 43.3 | 619 | 924 | | **YOLOv6-S** | 640 | FP16 | 43.5 | 377 | 541 | - 速度是在 T4 上测试的，TensorRT 版本为 8.4； - 精度是在训练 300 epoch 的模型上测试的；
## 移动端模型指标 | 模型 | 输入尺寸 | mAPval
0.5:0.95 | sm8350
(ms) | mt6853
(ms) | sdm660
(ms) |Params
(M) | FLOPs
(G) | | :----------------------------------------------------------- | ---- | -------------------- | -------------------- | -------------------- | -------------------- | -------------------- | -------------------- | | [**YOLOv6Lite-S**](https://github.com/meituan/YOLOv6/releases/download/0.4.0/yolov6lite_s.pt) | 320*320 | 22.4 | 7.99 | 11.99 | 41.86 | 0.55 | 0.56 | | [**YOLOv6Lite-M**](https://github.com/meituan/YOLOv6/releases/download/0.4.0/yolov6lite_m.pt) | 320*320 | 25.1 | 9.08 | 13.27 | 47.95 | 0.79 | 0.67 | | [**YOLOv6Lite-L**](https://github.com/meituan/YOLOv6/releases/download/0.4.0/yolov6lite_l.pt) | 320*320 | 28.0 | 11.37 | 16.20 | 61.40 | 1.09 | 0.87 | | [**YOLOv6Lite-L**](https://github.com/meituan/YOLOv6/releases/download/0.4.0/yolov6lite_l.pt) | 320*192 | 25.0 | 7.02 | 9.66 | 36.13 | 1.09 | 0.52 | | [**YOLOv6Lite-L**](https://github.com/meituan/YOLOv6/releases/download/0.4.0/yolov6lite_l.pt) | 224*128 | 18.9 | 3.63 | 4.99 | 17.76 | 1.09 | 0.24 |
表格笔记 - 从模型尺寸和输入图片比例两种角度，在构建了移动端系列模型，方便不同场景下的灵活应用。 - 所有权重都经过 400 个 epoch 的训练，并且没有使用蒸馏技术。 - mAP 和速度指标是在 COCO val2017 数据集上评估的，输入分辨率为表格中对应展示的。 - 使用 MNN 2.3.0 AArch64 进行速度测试。测速时，采用2个线程，并开启arm82加速，推理预热10次，循环100次。 - 高通888(sm8350)、天玑720(mt6853)和高通660(sdm660)分别对应高中低端不同性能的芯片，可以作为不同芯片下机型能力的参考。 - [NCNN 速度测试](./docs/Test_NCNN_speed.md)教程可以帮助展示及复现 YOLOv6Lite 的 NCNN 速度结果。
## 快速开始
安装 ```shell git clone https://github.com/meituan/YOLOv6 cd YOLOv6 pip install -r requirements.txt ```
在 COCO 数据集上复现我们的结果 请参考教程 [训练 COCO 数据集](./docs/Train_coco_data.md).
在自定义数据集上微调模型 单卡 ```shell # P5 models python tools/train.py --batch 32 --conf configs/yolov6s_finetune.py --data data/dataset.yaml --fuse_ab --device 0 # P6 models python tools/train.py --batch 32 --conf configs/yolov6s6_finetune.py --data data/dataset.yaml --img 1280 --device 0 ``` 多卡 （我们推荐使用 DDP 模式） ```shell # P5 models python -m torch.distributed.launch --nproc_per_node 8 tools/train.py --batch 256 --conf configs/yolov6s_finetune.py --data data/dataset.yaml --fuse_ab --device 0,1,2,3,4,5,6,7 # P6 models python -m torch.distributed.launch --nproc_per_node 8 tools/train.py --batch 128 --conf configs/yolov6s6_finetune.py --data data/dataset.yaml --img 1280 --device 0,1,2,3,4,5,6,7 ``` - fuse_ab: 增加anchor-based预测分支并使用联合锚点训练模式 (P6模型暂不支持此功能) - conf: 配置文件路径，里面包含网络结构、优化器配置、超参数信息。如果您是在自己的数据集训练，我们推荐您使用yolov6n/s/m/l_finetune.py配置文件； - data: 数据集配置文件，以 COCO 数据集为例，您可以在 [COCO](http://cocodataset.org) 下载数据, 在这里下载 [YOLO 格式标签](https://github.com/meituan/YOLOv6/releases/download/0.1.0/coco2017labels.zip)； - 确保您的数据集按照下面这种格式来组织； ``` ├── coco │ ├── annotations │ │ ├── instances_train2017.json │ │ └── instances_val2017.json │ ├── images │ │ ├── train2017 │ │ └── val2017 │ ├── labels │ │ ├── train2017 │ │ ├── val2017 ``` YOLOv6 支持不同的输入分辨率模式，详情请参见 [如何设置输入大小](./docs/About_training_size_cn.md).
恢复训练 如果您的训练进程中断了，您可以这样恢复先前的训练进程。 ``` # 单卡训练 python tools/train.py --resume # 多卡训练 python -m torch.distributed.launch --nproc_per_node 8 tools/train.py --resume ``` 上面的命令将自动在 YOLOv6 目录中找到最新保存的模型，然后恢复训练。 您也可以通过 `--resume` 参数指定要恢复的模型路径 ``` # 记得把 /path/to/your/checkpoint/path 替换为您要恢复训练的模型权重路径 --resume /path/to/your/checkpoint/path ``` 这将从您提供的模型路径恢复训练。
评估 在 COCO val2017 数据集上复现我们的结果（输入分辨率 640x640 或 1280x1280） ```shell # P5 models python tools/eval.py --data data/coco.yaml --batch 32 --weights yolov6s.pt --task val --reproduce_640_eval # P6 models python tools/eval.py --data data/coco.yaml --batch 32 --weights yolov6s6.pt --task val --reproduce_640_eval --img 1280 ``` - verbose: 如果要打印每一类的精度信息，请设置为 True； - do_coco_metric: 设置 True / False 来打开或关闭 pycocotools 的评估； - do_pr_metric: 设置 True / False 来显示或不显示精度和召回的指标； - config-file: 指定一个包含所有评估参数的配置文件，例如 [yolov6n_with_eval_params.py](configs/experiment/yolov6n_with_eval_params.py)
推理 首先，从 [release页面](https://github.com/meituan/YOLOv6/releases/tag/0.3.0) 下载一个训练好的模型权重文件，或选择您自己训练的模型； 然后，通过 `tools/infer.py`文件进行推理。 ```shell # P5 models python tools/infer.py --weights yolov6s.pt --source img.jpg / imgdir / video.mp4 # P6 models python tools/infer.py --weights yolov6s6.pt --img 1280 1280 --source img.jpg / imgdir / video.mp4 ``` 如果您想使用本地摄像头或者网络摄像头，您可以运行: ```shell # P5 models python tools/infer.py --weights yolov6s.pt --webcam --webcam-addr 0 # P6 models python tools/infer.py --weights yolov6s6.pt --img 1280 1280 --webcam --webcam-addr 0 ``` `webcam-addr` 可以是本地摄像头的 ID，或者是 RTSP 地址。
部署 * [ONNX](./deploy/ONNX) * [OpenCV Python/C++](./deploy/ONNX/OpenCV) * [OpenVINO](./deploy/OpenVINO) * [TensorRT](./deploy/TensorRT) * [NCNN](./deploy/NCNN) * [Android](./deploy/NCNN/Android)
教程 * [用户手册（中文版）](https://yolov6-docs.readthedocs.io/zh_CN/latest/) * [训练 COCO 数据集](./docs/Train_coco_data.md) * [训练自定义数据集](./docs/Train_custom_data.md) * [测速](./docs/Test_speed.md) * [ YOLOv6 量化教程](./docs/Tutorial%20of%20Quantization.md)
第三方资源 * YOLOv6 NCNN Android app demo: [ncnn-android-yolov6](https://github.com/FeiGeChuanShu/ncnn-android-yolov6) from [FeiGeChuanShu](https://github.com/FeiGeChuanShu) * YOLOv6 ONNXRuntime/MNN/TNN C++: [YOLOv6-ORT](https://github.com/DefTruth/lite.ai.toolkit/blob/main/lite/ort/cv/yolov6.cpp), [YOLOv6-MNN](https://github.com/DefTruth/lite.ai.toolkit/blob/main/lite/mnn/cv/mnn_yolov6.cpp) and [YOLOv6-TNN](https://github.com/DefTruth/lite.ai.toolkit/blob/main/lite/tnn/cv/tnn_yolov6.cpp) from [DefTruth](https://github.com/DefTruth) * YOLOv6 TensorRT Python: [yolov6-tensorrt-python](https://github.com/Linaom1214/TensorRT-For-YOLO-Series) from [Linaom1214](https://github.com/Linaom1214) * YOLOv6 TensorRT Windows C++: [yolort](https://github.com/zhiqwang/yolov5-rt-stack/tree/main/deployment/tensorrt-yolov6) from [Wei Zeng](https://github.com/Wulingtian) * [YOLOv6 web demo](https://huggingface.co/spaces/nateraw/yolov6) on [Huggingface Spaces](https://huggingface.co/spaces) with [Gradio](https://github.com/gradio-app/gradio). [![Hugging Face Spaces](https://img.shields.io/badge/%F0%9F%A4%97%20Hugging%20Face-Spaces-blue)](https://huggingface.co/spaces/nateraw/yolov6) * 教程: [如何用 YOLOv6 训练自己的数据集](https://blog.roboflow.com/how-to-train-yolov6-on-a-custom-dataset/) Open In Colab * YOLOv6 在 Google Colab 上的推理 Demo [![Open In Colab](https://colab.research.google.com/assets/colab-badge.svg)](https://colab.research.google.com/github/mahdilamb/YOLOv6/blob/main/inference.ipynb)
### [FAQ（持续更新）](https://github.com/meituan/YOLOv6/wiki/FAQ%EF%BC%88Continuously-updated%EF%BC%89) 如果您有任何问题，欢迎加入我们的微信群一起讨论交流！