mirror of https://github.com/open-mmlab/mmyolo.git
[DOC] Add YOLOv6 description doc - overview (#252)
* [DOC] Add YOLOv6 description doc * [DOC] Add YOLOv6 description doc * Improve doc * Improve doc * Improve doc * Improve doc * Improve doc * Improve doc * Improve doc * Improve doc * Improve doc * Improve doc * Improve doc * Improve doc * Improve doc * Improve docpull/303/head
HinGwenWoong
GitHub
parent
0fd6444c00
commit
90494b44f2
docs/zh_cn/algorithm_descriptions
mmyolo/models/dense_heads
|
|
@ -139,6 +139,7 @@ MMYOLO 用法和 MMDetection 几乎一致，所有教程都是通用的，你也
|
|||
- [模型设计相关说明](docs/zh_cn/algorithm_descriptions/model_design.md)
|
||||
- [算法原理和实现全解析](https://mmyolo.readthedocs.io/zh_CN/latest/algorithm_descriptions/index.html#算法原理和实现全解析)
|
||||
- [YOLOv5 原理和实现全解析](docs/zh_cn/algorithm_descriptions/yolov5_description.md)
|
||||
- [YOLOv6 原理和实现全解析](docs/zh_cn/algorithm_descriptions/yolov6_description.md)
|
||||
- [RTMDet 原理和实现全解析](docs/zh_cn/algorithm_descriptions/rtmdet_description.md)
|
||||
|
||||
- 算法部署
|
||||
|
|
|
|||
|
|
@ -14,4 +14,5 @@
|
|||
:maxdepth: 1
|
||||
|
||||
yolov5_description.md
|
||||
yolov6_description.md
|
||||
rtmdet_description.md
|
||||
|
|
|
|||
|
|
@ -0,0 +1,106 @@
|
|||
# YOLOv6 原理和实现全解析
|
||||
|
||||
## 0 简介
|
||||
|
||||
以上结构图 xxx 绘制。
|
||||
|
||||
YOLOv6 有一系列适用于各种工业场景的模型，包括N/T/S/M/L，考虑到模型的大小，其架构有所不同，以获得更好的精度-速度权衡。 此外，还引入了一些 "Bag-of-freebies "方法来进一步提高性能，如自我渐变和更多的训练周期。 在工业部署方面，我们采用QAT与信道蒸馏和图形优化来追求极端的性能（后续支持）。
|
||||
|
||||
简单来说 YOLOv6 开源库的主要特点为：
|
||||
|
||||
1. 统一设计了更高效的 Backbone 和 Neck：受到硬件感知神经网络设计思想的启发，基于 RepVGG style 设计了可重参数化、更高效的骨干网络 EfficientRep Backbone 和 Rep-PAN Neck。
|
||||
2. 相比于 YOLOX 的 Decoupled Head，进一步优化设计了简洁有效的 Efficient Decoupled Head，在维持精度的同时，降低了一般解耦头带来的额外延时开销。
|
||||
3. 在训练策略上，采用 Anchor-free 的策略，同时辅以 SimOTA 标签分配策略以及 SIoU 边界框回归损失来进一步提高检测精度。
|
||||
|
||||
本文将从 YOLOv6 算法本身原理讲起，然后重点分析 MMYOLO 中的实现。关于 YOLOv6 的使用指南和速度等对比请阅读本文的后续内容。
|
||||
|
||||
希望本文能够成为你入门和掌握 YOLOv6 的核心文档。由于 YOLOv6 本身也在不断迭代更新，我们也会不断的更新本文档。请注意阅读最新版本。
|
||||
|
||||
MMYOLO 实现配置：https://github.com/open-mmlab/mmyolo/blob/main/configs/yolov6/
|
||||
|
||||
YOLOv6 官方开源库地址：https://github.com/meituan/YOLOv6
|
||||
|
||||
## 1 YLOLv6 2.0 算法原理和 MMYOLO 实现解析
|
||||
|
||||
YOLOv6 2.0 官方 release 地址：https://github.com/meituan/YOLOv6/releases/tag/0.2.0
|
||||
|
||||
<div align=center >
|
||||
<img alt="YOLOv6精度图" src="https://github.com/meituan/YOLOv6/blob/main/assets/speed_comparision_v2.png"/>
|
||||
</div>
|
||||
|
||||
<div align=center >
|
||||
<img alt="YOLOv6精度速度图" src="https://user-images.githubusercontent.com/25873202/201611723-0d3d02be-d778-4bdd-8010-fbcb9df8740e.png"/>
|
||||
</div>
|
||||
|
||||
YOLOv6 和 YOLOv5 一样也可以分成数据增强、模型结构、loss 计算等组件，如下所示：
|
||||
|
||||
<div align=center >
|
||||
<img alt="训练测试策略" src="https://user-images.githubusercontent.com/40284075/190542423-f6b20d8e-c82a-4a34-9065-c161c5e29e7c.png"/>
|
||||
</div>
|
||||
|
||||
下面将从原理和结合 MMYOLO 的具体实现方面进行简要分析。
|
||||
|
||||
### 1.1 数据增强模块
|
||||
|
||||
YOLOv6 目标检测算法中使用的数据增强与 YOLOv5 基本一致，唯独不一样的是没有使用 Albu 的数据增强方式：
|
||||
|
||||
- **Mosaic 马赛克**
|
||||
- **RandomAffine 随机仿射变换**
|
||||
- **MixUp**
|
||||
- ~~**图像模糊等采用 Albu 库实现的变换**~~
|
||||
- **HSV 颜色空间增强**
|
||||
- **随机水平翻转**
|
||||
|
||||
关于每一个增强的详细解释，详情请看 [YOLOv5 数据增强模块](yolov5_description.md)
|
||||
|
||||
另外，YOLOv6 参考了 YOLOX 的数据增强方式，分为 2 钟增强方法组，一开始和 YOLOv5 一致，但是在最后 15 个 epoch 的时候将 `Mosaic` 使用 `YOLOv5KeepRatioResize` + `LetterResize` 替代了，个人感觉是为了拟合真实情况。
|
||||
|
||||
### 1.2 网络结构
|
||||
|
||||
#### 1.2.1 Backbone
|
||||
|
||||
#### 1.2.2 Neck
|
||||
|
||||
#### 1.2.3 Head
|
||||
|
||||
### 1.3 正负样本匹配策略
|
||||
|
||||
#### 1.3.1 Anchor 设置
|
||||
|
||||
YOLOv6 采用与 YOLOX 一样的 Anchor-free 无锚范式，省略的了聚类和繁琐的Anchor超参设定，泛化能力强，解码逻辑简单。在训练的过程中会根据 feature size 去自动生成先验框。
|
||||
|
||||
#### 1.3.2 Bbox 编解码过程
|
||||
|
||||
与 YOLOv5 一致，详情请看 [YOLOv5 Bbox 编解码过程](yolov5_description.md)
|
||||
|
||||
#### 1.3.3 匹配策略
|
||||
|
||||
### 1.4 Loss 设计
|
||||
|
||||
- Classes loss：使用的是 `mmdet.VarifocalLoss`
|
||||
- Objectness loss：使用的是 `mmdet.CrossEntropyLoss`
|
||||
- BBox loss：l/m/s使用的是 GIoULoss, t/n 用的是 SIoULoss
|
||||
|
||||
另外 YOLOv6 在计算 loss 之前，根据 epoch 的不同，会经过不同的 Assigner：
|
||||
|
||||
- epoch \< 4，使用 `BatchATSSAssigner`
|
||||
- epoch >= 4，使用 `BatchTaskAlignedAssigner`
|
||||
|
||||
### 1.5 优化策略和训练过程
|
||||
|
||||
#### 1.5.1 优化器分组
|
||||
|
||||
与 YOLOv5 一致，详情请看 [YOLOv5 优化器分组](yolov5_description.md)
|
||||
|
||||
#### 1.5.2 weight decay 参数自适应
|
||||
|
||||
与 YOLOv5 一致，详情请看 [YOLOv5 weight decay 参数自适应](yolov5_description.md)
|
||||
|
||||
### 1.6 推理和后处理过程
|
||||
|
||||
YOLOv6 后处理过程和 YOLOv5 高度类似，实际上 YOLO 系列的后处理逻辑都是类似的。
|
||||
详情请看 [YOLOv5 推理和后处理过程](yolov5_description.md)
|
||||
|
||||
## 2 总结
|
||||
|
||||
本文对 YOLOv6 原理和在 MMYOLO 实现进行了详细解析，希望能帮助用户理解算法实现过程。同时请注意：由于 YOLOv6 本身也在不断更新，本开源库也会不断迭代，请及时阅读和同步最新版本。
|
||||
|
|
@ -30,7 +30,7 @@ class YOLOv6HeadModule(BaseModule):
|
|||
feature map.
|
||||
widen_factor (float): Width multiplier, multiply number of
|
||||
channels in each layer by this amount. Default: 1.0.
|
||||
num_base_priors:int: The number of priors (points) at a point
|
||||
num_base_priors: (int): The number of priors (points) at a point
|
||||
on the feature grid.
|
||||
featmap_strides (Sequence[int]): Downsample factor of each feature map.
|
||||
Defaults to [8, 16, 32].
|
||||
|
|
|
|||
Loading…
Reference in New Issue