---

🚀🚀🚀美团出品 | YOLOv6 v3.0 is coming ✨✨✨

---

一、前言简介 🎄🎈

📚 代码地址美团出品 | YOLOv6 3.0代码下载地址

📚 文章地址https://arxiv.org/pdf/2301.05586.pdf

🎄🎄YOLOv8才刚刚发布美团出品 | YOLOv6 v3.0它来啦其优越性能已超越当下主流检测器YOLOv7、v8🎈🎈

YOLOv6 3.0亮点贡献

1.更好的网络结构设计使用双向串联Bi-directional Concatenation (BiC)模块更新了检测器的颈部以提供更准确的定位信号。同时将 YOLOv5/v8 中的SPPF模块简化为 SimCSPSPPF模块在速度几乎保持不变的同时提升精度。

2.辅助训练分支提出了一种 Anchor-Aided Training的辅助训练(AAT)策略以在不影响推理效率的情况下同时享受到 Anchor-Based 和 Anchor-Free范式的优势。

3.网络层数加深在更高分辨率输入下达成新的SOTA性能。

4.更好的蒸馏策略在回归分支中使用DFLDistribution Focal Loss做蒸馏学习由于DFL的引入会导致reg分支结构变大因此在小模型中DFL只用于辅助训练推理时不使用DFL以提升小模型的推理速度。

🍀相关实验效果

二、创新改进模块 🎄🎈

一BiC模块以及SimCSPSPPF模块

作者在YOLOv6 3.0使用了增强型的PAN作为Neck网络总体结构如下图所示。同时使用了Bi-directional Concatenation(BiC)来融合Backbone输出的相邻层的特征。BiC还使用了backbone中的特征以保留更精确的定位信息利于小目标的检测。并将SPPF block与CSP进行结合并简化了SPPF block如下图图c所示。

二Anchor-Aided Training

YOLOv6是一种追求更高推理速度的Anchor-free检测器但作者在实验中发现在同等配置(YOLOv6-N)下相比Anchor-free方案Anchor-based方案可以带来额外的性能增益。

作者提出了一种 Anchor-Aided Training的辅助训练(AAT)策略引入了一个Anchor-based辅助分支以组合两种方案的优势。通过这种训练策略来自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。

三自蒸馏策略

作者在分类蒸馏的基础上还引入了DFLDistribution Focal Loss用于回归分支的蒸馏。

作者采用了这种新的自蒸馏策略DFL提高了 YOLOv6小模型的性能其中 DFL 的较重分支在训练期间被用作增强的辅助回归分支并在推理时被移除以避免推理速度下降。

相关参考链接

Beyond YOLOv8| YOLOv6 v3.0 is coming!

YOLOv6 v3.0 | 重磅升级性能超越V8

YOLOv6 3.0超越YOLOv8|更好的Neck、辅助训练分支、蒸馏学习