YOLOv6: Ein Ein-Stufen-Objektdetektionsframework für industrielle Anwendungen

Seit Jahren gilt die YOLO-Serie als de-facto-Standard für effiziente Objekterkennung in der Industrie. Die YOLO-Community hat sich überwältigend entwickelt und trägt maßgeblich zur Vielfalt der Anwendungen auf zahlreichen Hardwareplattformen und in unterschiedlichsten Szenarien bei. In diesem technischen Bericht bemühen wir uns, die Grenzen der YOLO-Serie auf die nächste Stufe zu heben, mit einem unerschütterlichen Fokus auf industrielle Anwendbarkeit.Angesichts der unterschiedlichen Anforderungen an Geschwindigkeit und Genauigkeit in realen Umgebungen untersuchen wir umfassend die neuesten Fortschritte in der Objekterkennung, sowohl aus der Industrie als auch aus der akademischen Forschung. Insbesondere integrieren wir tiefgreifend Erkenntnisse aus jüngsten Entwicklungen im Bereich Netzwerkarchitektur, Trainingsstrategien, Testtechniken, Quantisierung und Optimierungsmethoden. Auf dieser Basis verbinden wir unsere eigenen Erkenntnisse und praktischen Erfahrungen, um eine Reihe von einsatzbereiten Netzwerken in verschiedenen Skalen zu entwickeln, die unterschiedliche Anwendungsfälle abdecken. Unter der großzügigen Genehmigung der YOLO-Autoren benennen wir unser Werk YOLOv6. Wir begrüßen herzlich Nutzer und Mitwirkende zur weiteren Verbesserung und Weiterentwicklung. Für einen ersten Einblick in die Leistung: YOLOv6-N erreicht auf dem COCO-Datensatz eine AP von 35,9 % bei einer Durchsatzrate von 1234 FPS auf einer NVIDIA Tesla T4 GPU. YOLOv6-S erzielt eine AP von 43,5 % bei 495 FPS und übertrifft dabei andere etablierte Detektoren in derselben Skalierung (YOLOv5-S, YOLOX-S und PPYOLOE-S). Die quantisierte Version von YOLOv6-S erreicht sogar eine neue State-of-the-Art-Leistung mit 43,3 % AP bei 869 FPS. Darüber hinaus erzielen auch YOLOv6-M und YOLOv6-L eine bessere Genauigkeit (49,5 % bzw. 52,3 %) als andere Detektoren mit vergleichbarer Inferenzgeschwindigkeit. Wir haben sorgfältige Experimente durchgeführt, um die Wirksamkeit jedes einzelnen Komponenten zu validieren. Unser Quellcode ist unter https://github.com/meituan/YOLOv6 verfügbar.