YOLOV6

最新推荐文章于 2025-10-06 13:45:00 发布

原创

最新推荐文章于 2025-10-06 13:45:00 发布 · 539 阅读

2 ·

CC 4.0 BY-SA版权

文章标签：

#算法

YOLOv6是基于RepVGG风格设计的检测算法，实现了在GPU、CPU和ARM平台的高效部署。它采用EfficientRep Backbone和Rep-PAN Neck，改进了CSPBlock和SPPF。SimOTA标签分配策略用于正负样本的选择，同时利用GIoU、DIoU、CIoU、EIoU和SIoU等多种损失函数进行优化。RepVGG结构重参数化提高推理速度和内存效率。

ps640 Map0.5:0.95 28.0~50.7 Map0.5 45.7~68.9 CPUMs 45~766 V100Ms 6.3~12.1
ps1280 Map0.5:0.95 36.0~53.7 Map0.5 54.4~71.3 CPUMs 153~1784 V100Ms 8.1~15.8

Yolov6
基于 RepVGG style[4] 设计了可重参数化、更高效的骨干网络 EfficientRep Backbone 和 Rep-PAN Neck
YOLOv6 支持 GPU（TensorRT）、CPU（OPENVINO）、ARM（MNN、TNN、NCNN）等不同平台的部署
Backbone:
1.将Backbone中stride=2的普通Conv层替换成了stride=2的RepConv层
2.将原始的CSP-Block都重新设计为RepBlock
2.1 RepBlock的第一个RepConv会做channel维度的变换和对齐
2.2 将原始的SPPF优化设计为更加高效的SimSPPF
Neck:
1.Rep-PAN基于PAN拓扑方式
1.1 用RepBlock替换了CSP-Block
1.2 对整体Neck中的算子进行了调整
Head:
位置: yolo(x,6)/models/yolo_head.py
simOTA(标签分配) 整体逻辑
1、确定正样本候选区域。
2、计算anchor与gt的iou。
3、在候选区域内计算cost。
4、使用iou确定每个gt的dynamic_k。
5、为每个gt取cost排名最小的前dynami