YOLOv6 v3.0: A Full-Scale Reloading论文翻译

 摘要：

        自从我们发布前两个版本以来，YOLO社区一直兴高采烈！在农历新年2023年，也就是兔年来临之际，我们为YOLOv6重新配备了许多在网络架构和培训方案方面的新颖增强。此版本被标识为YOLOv6 v3.0。初步描述一下性能，我们的YOLOv6-N在Coco数据集上命中率为37.5%，吞吐量为1187 FPS，使用NVIDIA Tesla T4 GPU进行测试。YOLOv6-S在484FPS时达到45.0%的AP，性能优于相同规模的其他主流探测器(YOLOv5-S、YOLOv8-S、YOLOX-S和PPYOLOE-S)。而在推理速度相近的情况下，YOLOv6-M/L的准确率也高于其他检测器(分别为50.0%/52.8%)。此外，我们的YOLOv6-L6采用扩展的主干和颈部设计，可实现最先进的实时精度。我们仔细地进行了广泛的实验，以验证每个改进组件的有效性。代码在 https://github.com/meituan/YOLOv6。

1.导入

        因为在速度和精度之间的出色平衡，YOLO系列一直是工业应用中最受欢迎的检测框架。YOLO系列的先驱作品是YOLOv1-3[12-14]，以及后来的重大改进，它们开辟了一条单级探测器的新道路YOLOv4[1]将检测框架重组为多个单独的部分（主干、颈部和头部），并验证了当时的免费赠品和特价包，以设计适合在单个GPU上训练的框架。目前，YOLOv5[5]、YOLOX[3]、PPYOLOE[17]、YOLOv7[16]和最近的YOLOv8[6]都是高效探测器的竞争对手。

        在本版本中，我们对网络设计和培训策略进行了大力更新。我们在图1中显示了YOLOv6与其他对等体在类似规模下的比较。YOLOv6的新功能总结如下：

                ①我们用一个双向的级联（BiC）模块，以提供更准确的定位信号。SPPF[5]被简化为SimCSPSPF块，它带来了性能提高，速度下降可忽略不计。

                ②我们提出了一种锚辅助训练（AAT）策略，以在不影响推理效率的情况下享受基于锚和无锚范例的优点。

                ③我们深化YOLOv6，使其在主干和颈部具有另一个阶段，这增强了它在COCO数据集上以高分辨率输入实现新的最先进性能。

                ④我们采用了一种新的自蒸馏策略来提高YOLOv6小模型的性能，其中DFL[8]的较重分支在训练期间被用作增强的辅助回归分支，并在推断时被移除，以避免显著的速度下降。