人工智能深度学习计算机视觉预训练模型量化【免费下载链接】YOLOv6YOLOv6: a single-stage object detection framework dedicated to industrial applications.项目地址https://gitcode.com/gh_mirrors/yo/YOLOv6点击查看免费下载YOLOv6 是一个面向工业应用的单阶段目标检测框架本指南以仓库根目录的 README.md 为主体骨架系统梳理其模型家族与官方 Benchmark并逐项深入讲解安装、COCO 复现、自定义数据微调、断点续训、评估、推理与多平台部署的完整工作流。读完本文你将能够依据官方性能指标挑选合适模型并掌握从数据准备到端侧部署的端到端实操能力。项目定位面向工业应用的单阶段目标检测框架YOLOv6 由美团开源是一套以工业落地为导向的单阶段single-stage目标检测框架。其算法基础来源于两篇论文YOLOv6 v3.0: A Full-Scale Reloading与YOLOv6: A Single-Stage Object Detection Framework for Industrial Applications前者对应 3.0 版本的全尺度模型升级后者定义了框架面向工业应用的整体设计目标——即在保证精度的同时把推理速度、模型体积与部署易用性放在同等重要的位置。从仓库结构看框架的核心实现集中在 yolov6/ 目录yolov6/models/包含 backboneEfficientRep 系列、neckRepPANNeck / RepBiFPANNeck、检测头EffiDeHead 及 lite/fuseab/distill 变体以及 yolo.py、yolo_lite.py 等模型组装入口yolov6/assigners/TALTask Alignment Learning与 ATSS 等标签分配器yolov6/layers/common 卷积模块与 DBBDiverse Branch Block变换工具yolov6/core/Trainer、Evaler、Inferer 三大核心流程引擎yolov6/solver/优化器与学习率调度器。整体架构清晰分层数据增强与加载yolov6/data/→ 模型与损失yolov6/models/→ 训练/评估/推理引擎yolov6/core/这与下文各实操环节一一对应。模型家族与官方 BenchmarkYOLOv6 3.0 提供覆盖多种算力档位的完整模型矩阵官方在 COCO val2017 上给出了统一的精度与速度基准是选型的首要依据。P5 模型640×640 输入模型输入尺寸mAP val 0.5:0.95Speed T4 trt fp16 b1 (fps)Speed T4 trt fp16 b32 (fps)Params (M)FLOPs (G)YOLOv6-N64037.577911874.711.4YOLOv6-S64045.033948418.545.3YOLOv6-M64050.017522634.985.8YOLOv6-L64052.89811659.6150.7P6 模型1280×1280 输入模型输入尺寸mAP val 0.5:0.95Speed T4 trt fp16 b1 (fps)Speed T4 trt fp16 b32 (fps)Params (M)FLOPs (G)YOLOv6-N6128044.922828110.449.8YOLOv6-S6128050.39810841.4198.0YOLOv6-M6128055.2475579.6379.5YOLOv6-L6128057.22629140.4673.4表格注释官方口径务必阅读除 YOLOv6-N6/S6 为无蒸馏训练 300 epoch 外其余 checkpoints 均采用自蒸馏self-distillation训练mAP 与速度均在 COCO val2017 上评测P5 模型输入 640×640P6 模型输入 1280×1280速度在 T4 GPU 上以 TensorRT 7.2 测试Params 与 FLOPs 基于部署后deployed模型估算速度复现方法详见 docs/Test_speed.md。历史Legacy模型与量化模型对于 2.0 时代的旧版本模型README 以可折叠表格保留了完整基准例如 YOLOv6-N35.9/36.3 mAP300e/400e、YOLOv6-T40.3/41.1 mAP、YOLOv6-S、YOLOv6-M、YOLOv6-L-ReLU 与 YOLOv6-L 等。其中值得关注的是RepOpt 量化模型INT8 精度模型精度mAP val 0.5:0.95Speed T4 trt b1 (fps)Speed T4 trt b32 (fps)YOLOv6-N RepOptINT834.811141828YOLOv6-NFP1635.98021234YOLOv6-T RepOptINT839.87411167YOLOv6-TFP1640.3449659YOLOv6-S RepOptINT843.3619924YOLOv6-SFP1643.5377541该组数据在 TensorRT 8.4 上测得精度基于 300 epoch 模型。可以看到 RepOpt INT8 模型在 mAP 损失约 1 个点以内的前提下将速度提升了约 1.5 倍是推理瓶颈场景的优选。量化相关配置可见 configs/repopt/。Mobile BenchmarkYOLOv6Lite 系列面向手机与 CPU 场景YOLOv6 提供了 YOLOv6Lite-S/M/L 三个轻量模型并通过改变输入分辨率适配不同算力的终端模型输入尺寸mAP val 0.5:0.95sm8350 (ms)mt6853 (ms)sdm660 (ms)Params (M)FLOPs (G)YOLOv6Lite-S320×32022.47.9911.9941.860.550.56YOLOv6Lite-M320×32025.19.0813.2747.950.790.67YOLOv6Lite-L320×32028.011.3716.2061.401.090.87YOLOv6Lite-L320×19225.07.029.6636.131.090.52YOLOv6Lite-L224×12818.93.634.9917.761.090.24官方注释说明针对模型体积与输入图像比例官方构建了一系列移动端模型便于在不同场景灵活应用所有 checkpoints 均训练 400 epoch 且不使用蒸馏速度在 MNN 2.3.0 AArch64、arm82 加速、2 线程下测试预热 10 次、循环 100 次sm8350骁龙 888、mt6853天玑 720、sdm660骁龙 660分别代表高、中、低端芯片可作为不同算力下模型能力的参考详细复现方法见 docs/Test_NCNN_speed.md。YOLOv6Lite 的完整训练配置位于 configs/yolov6_lite/NCNN 端部署示例与 Android 工程位于 deploy/NCNN/。架构速览EfficientRep 骨干与 RepBiFPANNeck从配置与源码可以清晰看出 YOLOv6 3.0 的网络结构。以 configs/yolov6s_finetune.py 为例model dict( typeYOLOv6s, pretrainedweights/yolov6s.pt, depth_multiple0.33, width_multiple0.50, backbonedict( typeEfficientRep, num_repeats[1, 6, 12, 18, 6], out_channels[64, 128, 256, 512, 1024], fuse_P2True, cspsppfTrue, ), neckdict( typeRepBiFPANNeck, num_repeats[12, 12, 12, 12], out_channels[256, 128, 128, 256, 256, 512], ), headdict( typeEffiDeHead, in_channels[128, 256, 512], num_layers3, begin_indices24, anchors3, anchors_init[[10,13, 19,19, 33,23], [30,61, 59,59, 59,119], [116,90, 185,185, 373,326]], out_indices[17, 20, 23], strides[8, 16, 32], atss_warmup_epoch0, iou_typegiou, use_dflFalse, # 如需蒸馏训练请设为 True reg_max0, # 如需蒸馏训练请设为 16 ), )关键理解EfficientRep backbone实现见 yolov6/models/efficientrep.py以 RepVGG 风格的 re-parameterizable 卷积构建训练时可多分支、推理时可结构重参数化融合为单路卷积是速度优势的结构基础RepBiFPANNeck实现见 yolov6/models/reppan.py是双向特征金字塔的 Rep 化版本融合多尺度特征fuse_P2True表示融合 P2 层以增强小目标检测EffiDeHead实现见 yolov6/models/effidehead.py为解耦头分类与回归分支分离配合 TAL 标签分配yolov6/assigners/tal_assigner.py训练use_dfl/reg_max默认关闭 DFLDistribution Focal Loss若计划用自蒸馏进一步训练需要打开use_dflTrue, reg_max16depth_multiple与width_multiple是控制模型深度与宽度的缩放系数N/S/M/L 各档位正是通过不同倍率实现的。不同档位n/s/m/l 及 6 系列的完整训练配置可对照 configs/ 目录下的yolov6n.py、yolov6s.py、yolov6m.py、yolov6l.py以及yolov6*6.py系列。快速开始环境安装官方在 Python 3.8 环境下建议按如下步骤安装核心依赖见 requirements.txtgit clone https://github.com/meituan/YOLOv6 cd YOLOv6 pip install -r requirements.txt依赖清单要点torch1.8.0、torchvision0.9.0、numpy1.24.0、opencv-python4.1.2、PyYAML、scipy、tqdm、addict、tensorboard、pycocotools导出与 FLOPs 计算还需要onnx、onnx-simplifier与thop。从 yolov6/utils/config.py 的Config.fromfile机制可以看出所有训练超参数均通过 Python 配置文件注入这也是后续所有实验配置的基础。复现 COCO 结果在 COCO 上复现官方结果需遵循 docs/Train_coco_data.md 中的两阶段流程核心套路是“基础训练 自蒸馏”移动端模型YOLOv6Lite-S/M/L4 卡 DDP 训练 400 epoch--img_size 416训练、320 评估python -m torch.distributed.launch --nproc_per_node 4 tools/train.py \ --batch 128 \ --img_size 416 \ --conf configs/yolov6_lite/yolov6_lite_s.py \ --data data/coco.yaml \ --epoch 400 \ --device 0,1,2,3 \ --name yolov6_lite_s_cocoP5 模型YOLOv6-N/S/M/LStep 1 用--fuse_ab训练基础模型需打开use_dflTrue, reg_max16Step 2 以 best checkpoint 为 teacher 做自蒸馏训练# Step 1: 训练基础模型 python -m torch.distributed.launch --nproc_per_node 8 tools/train.py \ --batch 128 \ --conf configs/yolov6n.py \ --data data/coco.yaml \ --epoch 300 \ --fuse_ab \ --device 0,1,2,3,4,5,6,7 \ --name yolov6n_coco # Step 2: 自蒸馏训练 python -m torch.distributed.launch --nproc_per_node 8 tools/train.py \ --batch 128 \ --conf configs/yolov6n.py \ --data data/coco.yaml \ --epoch 300 \ --device 0,1,2,3,4,5,6,7 \ --distill \ --teacher_model_path runs/train/yolov6n_coco/weights/best_ckpt.pt \ --name yolov6n_cocoS/M/L 模型将 batch 提升至 256L 蒸馏阶段建议 128P6 模型N6/S6 直接训练 300 epochM6/L6 同样走两阶段蒸馏需加--img 1280并将--bs_per_gpu 16例如python -m torch.distributed.launch --nproc_per_node 8 tools/train.py \ --batch 128 \ --img 1280 \ --conf configs/yolov6s6.py \ --data data/coco.yaml \ --epoch 300 \ --bs_per_gpu 16 \ --device 0,1,2,3,4,5,6,7 \ --name yolov6s6_coco--distill相关参数--distill_feat、--temperature、--teacher_model_path等在 tools/train.py 中均有定义默认蒸馏温度--temperature 20。自定义数据集微调数据集结构以 COCO 格式为例YOLO 格式标签同理官方建议将数据集放在与 YOLOv6 仓库同级的父目录下目录结构如下├── coco │ ├── annotations │ │ ├── instances_train2017.json │ │ └── instances_val2017.json │ ├── images │ │ ├── train2017 │ │ └── val2017 │ ├── labels │ │ ├── train2017 │ │ ├── val2017 │ ├── LICENSE │ ├── README.txt数据配置文件在 data/dataset.yaml 中声明数据集路径与类别信息# 请确保自定义数据集与 YOLOv6 仓库位于同一父目录 train: ../custom_dataset/images/train # 训练图片 val: ../custom_dataset/images/val # 验证图片 test: ../custom_dataset/images/test # 测试图片可选 # 是否 COCO 数据集仅 COCO 数据集设为 True is_coco: False # 类别 nc: 20 names: [aeroplane, bicycle, bird, ...] # 类别名称列表若使用 COCO 数据本身直接使用 data/coco.yaml80 类is_coco: TrueWindows 下注意路径分隔符差异。单 GPU 训练# P5 模型 python tools/train.py --batch 32 --conf configs/yolov6s_finetune.py --data data/dataset.yaml --fuse_ab --device 0 # P6 模型 python tools/train.py --batch 32 --conf configs/yolov6s6_finetune.py --data data/dataset.yaml --img 1280 --device 0多 GPU推荐 DDP 模式# P5 模型 python -m torch.distributed.launch --nproc_per_node 8 tools/train.py \ --batch 256 --conf configs/yolov6s_finetune.py --data data/dataset.yaml \ --fuse_ab --device 0,1,2,3,4,5,6,7 # P6 模型 python -m torch.distributed.launch --nproc_per_node 8 tools/train.py \ --batch 128 --conf configs/yolov6s6_finetune.py --data data/dataset.yaml \ --img 1280 --device 0,1,2,3,4,5,6,7命令参数解读对应 tools/train.py 中的 argparse 定义--fuse_ab融合 anchor-based 辅助分支启用 Anchor Aided Training 模式P6 模型暂不支持有利于小目标与低质量标注场景--conf选择配置文件以指定网络/优化器/超参数官方建议在自定义数据集上使用yolov6n/s/m/l_finetune.py其pretrained字段指向官方预训练权重如 configs/yolov6s_finetune.py 中的weights/yolov6s.pt--data指定数据配置文件路径其余常用参数--epochs默认 400、--workers默认 8、--eval-interval默认 20每 N 个 epoch 评估一次、--heavy-eval-range最后 N 个 epoch 每轮评估、--output-dir默认./runs/train、--name实验名保存于output_dir/name、--cache-ram将图片缓存进内存加速训练、--write_trainbatch_tb每 epoch 写入训练 batch 图到 TensorBoard等。训练输入尺寸的三种模式官方在 docs/About_training_size.md 中明确了三种输入尺寸模式正方形训练Square只传一个--img-size 640图像长边等比缩放到 640短边同比例缩放后 padding 到 640送入模型的张量为 (640, 640, 3)矩形训练Rectangle--img-size 640 --rect长边等比缩放到 640短边等比缩放后仅 padding 到 32 的倍数。例如 (720, 1280, 3) 的图像缩放为 (360, 640, 3)因 320 不是 32 的倍数故 padding 到 (384, 640, 3)指定形状Specific shape矩形模式下各 batch 尺寸可能不同若需固定形状可加--specific-shape --height 1080 --width 1920此时所有训练数据统一为 (1080, 1920, 3)python tools/train.py --data data/dataset.yaml --conf configs/yolov6n.py \ --specific-shape --width 1920 --height 1080断点续训训练中断后可无缝恢复tools/train.py 的--resume逻辑会自动在 YOLOv6 目录下寻找最新 checkpoint并从其args.yaml恢复全部参数# 单 GPU python tools/train.py --resume # 多 GPU python -m torch.distributed.launch --nproc_per_node 8 tools/train.py --resume也可以显式指定 checkpoint 路径# 将 /path/to/your/checkpoint/path 替换为实际路径 python tools/train.py --resume /path/to/your/checkpoint/path源码层面find_latest_checkpointyolov6/utils/general.py负责自动定位最新权重若 checkpoint 上级目录存在args.yaml训练超参将被完整还原否则会提示你手动补充 data、batch 等关键配置。模型评估在 COCO val2017 上复现官方 mAP640×640 或 1280×1280# P5 模型 python tools/eval.py --data data/coco.yaml --batch 32 --weights yolov6s.pt \ --task val --reproduce_640_eval # P6 模型 python tools/eval.py --data data/coco.yaml --batch 32 --weights yolov6s6.pt \ --task val --reproduce_640_eval --img 1280tools/eval.py 中定义的核心参数--conf-thres置信度阈值默认 0.03--iou-thresNMS IoU 阈值默认 0.65--taskval纯评估并返回 mAP、train训练阶段评估、speed仅测推理速度--halfFP16 推理CPU 上自动关闭--verbose设为 True 时打印每个类别的 mAP--do_coco_metricTrue/False 控制是否启用 pycocotools 评估方法--do_pr_metricTrue/False 控制是否打印 precision/recall 指标配合--plot_curve可保存 PR 曲线、--plot_confusion_matrix保存混淆矩阵--infer_on_rect默认 True使用矩形推理以加速--config-file用一个配置文件统一定义所有 eval 参数例如 configs/experiment/yolov6n_with_eval_params.py--reproduce_640_eval复现官方 640 推理结果会覆盖部分配置——它会读取 configs/experiment/eval_640_repro.py 中按模型名n/t/s/m/l、n6/s6/m6/l6、mbla 系列等配置的shrink_size与infer_on_rect并强制conf_thres0.03、iou_thres0.65、taskval、do_coco_metricTrue。eval_params配置文件中若某项为列表如conf_thres[0.03, 0.03]第一个值用于train.py、第二个值用于eval.py便于训练与评估使用不同阈值。推理首先从官方 Release 下载预训练模型或使用自己训练好的模型然后运行 tools/infer.py# P5 模型source 可为单张图片、图片目录或视频文件 python tools/infer.py --weights yolov6s.pt --source img.jpg / imgdir / video.mp4 # P6 模型 python tools/infer.py --weights yolov6s6.pt --img 1280 1280 --source img.jpg / imgdir / video.mp4摄像头或 RTSP 流推理# P5 模型 python tools/infer.py --weights yolov6s.pt --webcam --webcam-addr 0 # P6 模型 python tools/infer.py --weights yolov6s6.pt --img 1280 1280 --webcam --webcam-addr 0--webcam-addr可以是本地摄像头编号也可以是 RTSP 地址。其余常用参数tools/infer.py 定义--conf-thres默认 0.4、--iou-thres默认 0.45、--max-det每张图最大检测数默认 1000、--classes按类别过滤如--classes 0或--classes 0 2 3、--agnostic-nms类别无关 NMS、--save-txt保存标签 txt、--not-save-img不保存可视化结果、--view-img实时显示结果、--project/--name结果保存路径默认runs/inference/exp、--hide-labels/--hide-conf、--halfFP16 推理。推理流程的底层实现在 yolov6/core/inferer.py其结果默认输出到runs/inference/exp目录。多平台部署训练完成的模型可通过 deploy/ 目录下的工具导出并部署到多种平台ONNXdeploy/ONNX/ 提供export_onnx.py导出脚本以及 Dynamic Batch 的 onnxruntime / TensorRT 示例 NotebookOpenCVdeploy/ONNX/OpenCV/ 提供 YOLOv6 的 Python 与 C 推理实现含 yolov6.cpp 与视频推理脚本OpenVINOdeploy/OpenVINO/ 提供export_openvino.pyTensorRTdeploy/TensorRT/ 提供onnx_to_trt.py、yolov6.cpp 及 C 推理工程NCNNdeploy/NCNN/ 提供export_torchscript.py与 NCNN 推理脚本移动端实测方法见 docs/Test_NCNN_speed.mdAndroiddeploy/NCNN/Android/ 内含完整的 Android Studio 工程JNI Javaassets 中已附带 YOLOv6Lite 各档位模型的.bin/.param文件可直接编译运行。进阶能力量化与蒸馏针对工业场景的量化需求官方在 tools/qat/ 提供了 QAT训练感知量化教程与工具qat_export.py、qat_utils.py 等并在 tools/quantization/ 中提供 TensorRT PTQdeploy/TensorRT/post_training/与 PPQ、MNN 等后训练量化方案。完整说明见 docs/Tutorial of Quantization.md。自蒸馏训练则通过 yolov6/models/losses/loss_distill.py 等蒸馏损失实现与前述 COCO 两阶段训练流程配套。配套教程与进一步阅读docs/Train_coco_data.mdCOCO 完整复现流程含移动端/P5/P6 全系列命令docs/Train_custom_data.md自定义数据训练docs/Test_speed.mdT4 速度复现docs/About_training_size.md三种输入尺寸模式详解docs/Convert_model.md模型转换说明docs/tutorial_repopt.mdRepOpt 量化训练教程hubconf.pyPyTorch Hub 加载入口支持torch.hub直接调用官方模型。仓库还提供了 tutorial.ipynb 与 inference.ipynb 交互式 Notebook可在线快速体验训练与推理流程。FAQ 会持续更新遇到问题时可优先查阅。综合来看YOLOv6 通过 N/S/M/L 全尺度模型矩阵、P6 高分辨率分支、Lite 移动端分支与 RepOpt 量化方案构成了一条从云端到端侧、从训练到部署的完整工业检测流水线本指南覆盖的流程足以支撑你在实际项目中的选型与落地。赞分享人工智能深度学习计算机视觉预训练模型量化【免费下载链接】YOLOv6YOLOv6: a single-stage object detection framework dedicated to industrial applications.项目地址https://gitcode.com/gh_mirrors/yo/YOLOv6点击查看免费下载相关推荐PaddleDetection YOLOX 模型库使用指南从训练、评估到部署的完整实战教程PaddleDetection YOLOX 模型库使用指南从训练、评估到部署的完整实战教程 导读 本文基于 configs/yolox/README.md h人工智能深度学习计算机视觉MindSpore模型部署实战从训练到推理的完整流程MindSpore模型部署实战从训练到推理的完整流程 想要将深度学习模型从训练环境顺利部署到生产环境 MindSpore作为华为开源的全场景AI框架提人工智能深度学习机器学习分布式训练预训练Ascendfairseq 快速上手从预训练模型评估到新模型训练的完整实战指南fairseq 快速上手从预训练模型评估到新模型训练的完整实战指南 导读 本文是 fairseqFacebook AI Research 开源的 Pytho人工智能深度学习预训练NLP语音上一篇在浏览器中掌握 VSCode.devWeb-Dev-For-Beginners 课程的云端代码编辑实战指南下一篇KMS_VL_ALL_AIO终极Windows和Office智能激活解决方案创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考