https://arxiv.org/abs/2209.02976
YOLOv6: A Single-Stage Object Detection Framework for Industrial Applications
For years, the YOLO series has been the de facto industry-level standard for efficient object detection. The YOLO community has prospered overwhelmingly to enrich its use in a multitude of hardware platforms and abundant scenarios. In this technical report
arxiv.org
Abstract
수년간, YOLO 시리즈는 효율적인 객체 탐지의 디팩토 산업 레벨 표준처럼 자리매김해왔다. YOLO 커뮤니티는 다양한 하드웨어 플랫폼과 시나리오에 적용되며 매우 방대해졌다. 이 테크니컬 레포트에서 우리는 YOLO의 한계를 다음레벨로 넘어가게 하기 위한, 산업 어플리케이션을 위한 확고한 방식으로 자리매김할 수 있게 하기 위해 분투했다. 특히 실시간 환경에서의 속도와 정확도에 대한 분산된 요구사항을 고려하여, 우리는 학계 및 산업계에 제시된 최신의 객체 탐지 분야의 성과들을 분석했다. 특히 우리는 최근의 네트워크 디자인이나, 트레이닝 전략, 테스팅 기법, 정량화 및 최적화 기법들을 이해하는데 집중했다. 그 결과 우리는 우리의 아이디어를 통합하여 다양한 유즈 케이스에 적합하게 활용될 수 있는 개발을 위한 네트워크를 빌드하기 위해 노력했다. YOLO의 관대한 허락에 힘입어 우리는 이것을 YOLOv6라고 명명했다. 우리는 또한 우리 기법의 유저와 앞으로의 기여자들에게 따듯한 환대를 표한다. YOLOv6를 성능의 측면에서 살짝 보면, YOLOv6-N은 coco 데이터 셋에 대해 35.9% AP를 hit 했고, Tesla T4 GPU에서 1234FPS로 작동했다. YOLOv6-S는 43.5% AP에 도달했고 495FPS로 작동하며, 동일 스캐일의 주류 디텍터(YOLOv5-S, YOLOX-S, PPYOLOE-S)들을 앞서는 성능을 보였다. 우리의 quantized 버전인 YOLOv6-S는 심지어 43.3% AP에 869FPS라는 새로운 SOTA를 가져왔다. 게다가 YOLOv6-M/L은 유사한 속도를 가지는 다른 디텍터들보다 더 나은 정확도인 49.5%/52.3%의 결과를 보였다. 우리는 조심스럽게 각 컴포넌트들의 효과성 입증을 위한 실험을 수행했다. 우리의 코드는 깃헙 사이트를 통해 이용가능하다.
COCO-AP가 뭐지?
https://kharshit.github.io/blog/2019/09/20/evaluation-metrics-for-object-detection-and-segmentation
Evaluation metrics for object detection and segmentation: mAP
Read about semantic segmentation, and instance segmentation. The different evaluation metrics are used for different datasets/competitions. Most common are Pascal VOC metric and MS COCO evaluation metric. IoU (Intersection over Union) To decide whether a p
kharshit.github.io
위 링크로 가서 읽어보면 알 수 있을 것 같다.
돌려보자.
설치 과정은
环境安装 — YOLOv6_docs 文档
单张图片, 支持 bmp, jpg, jpeg, png, tif, tiff, dng, webp, mpo。
yolov6-docs.readthedocs.io
위 링크에 잘 나와있다.
pytorch 설치
https://pytorch.org/get-started/previous-versions/
cuda driver 버전 확인 필요
wget https://github.com/meituan/YOLOv6/releases/download/0.4.0/yolov6n.pt
0.4.0 을 받아야 한다. 0.3.0 은 simconv 관련 에러가 날 수 있음
다운받은 .pt 파일은 weights 폴더 안에 넣어주자.
그리고
python tools/infer.py --weights weights/yolov6n.pt --source data/images/
위 명령어로 돌려보면
runs/inference/exp 폴더에 결과물이 나타나는 것을 알 수 있다.