YOLO系列论文综述（从YOLOv1到YOLOv11）【第8篇：YOLOv6——高并行度、量化和自蒸馏提高性能加速推理】

---

YOLO系列博文：

1. 【第1篇：概述物体检测算法发展史、YOLO应用领域、评价指标和NMS】
2. 【第2篇：YOLO系列论文、代码和主要优缺点汇总】
3. 【第3篇：YOLOv1——YOLO的开山之作】
4. 【第4篇：YOLOv2——更好、更快、更强】
5. 【第5篇：YOLOv3——多尺度预测】
6. 【第6篇：YOLOv4——最优速度和精度】
7. 【第7篇：YOLOv5——使用Pytorch框架、AutoAnchor、多尺度预训练模型】
8. 【第8篇：YOLOv6——更高的并行度、引入量化和蒸馏以提高性能加速推理】
9. 【第9篇：YOLOv7——跨尺度特征融合】
10. 【第10篇：YOLOv8——集成检测、分割和跟踪能力】
11. 【第11篇：YOLO变体——YOLO+Transformers、DAMO、PP、NAS】
12. 【第12篇：YOLOv9——可编程梯度信息(PGI)+广义高效层聚合网络(GELAN)】
13. 【第13篇：YOLOv10——实时端到端物体检测】
14. 【第14篇：YOLOv11——在速度和准确性方面具有无与伦比的性能】
15. 【第15篇（完结）：讨论和未来展望】

---

1 摘要

• 发表日期：2022年6月
• 作者：Chuyi Li等人，美团技术团队
• 论文： YOLOv6: A Single-Stage Object Detection Framework for Industrial Applications
• 代码：https://github.com/meituan/YOLOv6
• 主要优缺点：
  • 使用基于RepVGG的新骨干网络（EfficientRep），比之前的YOLO骨干网络使用了更高的并行度；
  • 标签分配策略采用TOOD中提出的任务对齐学习方法进行标签分配；
  • 使用了变焦损失（VariFocal loss）作为分类损失，以及SIoU/GIoU作为回归损失；
  • 为回归和分类任务引入了自蒸馏策略；
  • 通过使用RepOptimizer和通道级蒸馏的检测量化方案来实现更快的检测器；
  • 这些新特性共同作用，旨在提高模型性能、加速推理过程，并在保持准确性的同时提升效率。

2 其他变体

先介绍一些其他的YOLO变体。

2.1 Scaled-YOLOv4

在YOLOv4发布一年后，同一组作者在2021年的CVPR上提出了Scaled-YOLOv4。与YOLOv4不同，Scaled-YOLOv4是在PyTorch框架下开发的，而不是Darknet。其主要创新在于引入了放大（scaling up）和缩小（scaling down）技术。放大意味着生成一个以牺牲速度为代价来提高准确性的模型；相反，缩小则意味着生成一个以牺牲准确性为代价来提高速度的模型。此外，缩小后的模型需要更少的计算资源，并且可以在嵌入式系统上运行。

• 缩小的架构被称为YOLOv4-tiny，它专为低端GPU设计，可以在Jetson TX2上以46 FPS的速度运行，或在RTX 2080Ti上以440 FPS的速度运行，在MS COCO数据集上达到22%的平均精度（AP）。
• 放大的架构被称为YOLOv4-large，包括三种不同的尺寸P5、P6和P7。这种架构是为云GPU设计的，达到了最先进的性能，在MS COCO数据集上实现了56%的AP，超过了所有先前的模型。

2.2 YOLOR

YOLOR于2021年5月在ArXiv上由YOLOv4的研究团队发布。它的全称是“You Only Learn One Representation”（你只需要学习一种表示）。在这篇论文中，作者开发了一种多任务学习方法，旨在通过学习一种通用表示，并使用子网络来创建特定任务的表示，从而创建一个适用于多种任务（如分类、检测、姿态估计）的单一模型。鉴于传统的联合学习方法常常导致次优特征生成，YOLOR 旨在通过编码神经网络中的隐性知识来克服这一问题，类似于人类如何利用过去的经验来解决新问题。实验结果表明，将隐性知识引入神经网络对所有任务都有益。

在MS COCO 2017测试开发集上的评估，YOLOR 在NVIDIA V100上以30帧每秒（FPS）的速度达到了55.4%的平均精度（AP）和73.3%的AP50。

2.3 YOLOX

YOLOX于2021年7月由Megvii Technology在ArXiv上发布。该模型基于PyTorch开发，并以Ultralytics的YOLOv3为起点，进行了五项主要改进：无锚框（anchor-free）架构、多正样本、解耦头、高级标签分配和强数据增强。YOLOX在2021年实现了SOTA的结果，在Tesla V100上以68.9 FPS的速度达到了50.1%的平均精度（AP），实现了速度与精度之间的最佳平衡。

以下是YOLOX相对于YOLOv3的五项主要改进：

• 无锚框（Anchor-free）：自YOLOv2以来，所有后续的YOLO版本都是基于锚点的检测器。受CornerNet、CenterNet 和 FCOS等无锚框的先进目标检测器启发，YOLOX回归到无锚框架构，简化了训练和解码过程。无锚框架构使得AP相比YOLOv3基线提高了0.9个百分点。

• 多正样本（Multi positives）：为了补偿由于缺乏锚框而产生的大量不平衡问题，作者使用中心采样 方法，将中心3×3区域作为正样本。这种方法使AP提高了2.1%。

• 解耦头（Decoupled head）：有论文研究表示，分类置信度和定位准确性之间可能存在不一致。因此，YOLOX将这两个任务分离成两个头（如下图所示），一个用于分类任务，另一个用于回归任务。这不仅提高了1.1%的AP，还加快了模型的收敛速度。

• 高级标签分配（Advanced label assignment）：有论文表明，当多个物体的边界框重叠时，真实标签的分配可能会有歧义，并将分配过程表述为最优传输（Optimal Transport, OT）问题。受此工作的启发，YOLOX提出了一个简化的版本称为simOTA，使AP提高了2.3个百分点。

• 强数据增强（Strong augmentations）：YOLOX使用MixUp和马赛克增强。作者发现，在使用这些增强技术后，ImageNet预训练不再有益。强数据增强使AP提高了2.4个百分点。

3 YOLOv6

YOLOv6于2022年9月由美团视觉AI部门发表在ArXiv上，该网络设计包括一个高效的Backbone，使用RepVGG或CSPStackRep块、PAN拓扑Neck结构，以及一个采用混合通道策略的高效解耦头。此外，论文还介绍了后训练量化和通道级蒸馏的增强量化技术，使用后得到更快且更准确的检测器。总体而言，YOLOv6在精度和速度指标上超越了之前的最先进模型，如YOLOv5、YOLOX和PP-YOLOE。

3.1 网络结构

YOLOv6的详细架构图：

3.2 创新点

该模型的主要创新点总结如下：

1. 新的骨干网络：Backbone基于RepVGG的EfficientRep，相比之前的YOLO具有更高的并行性。对于Neck，他们使用了增强版的PAN，并在大型模型中引入了RepBlocks或CSPStackRep块。同时，借鉴YOLOX的设计，开发了一个高效的解耦头。

2. 标签分配：采用了TOOD中提出的任务对齐学习方法进行标签分配。

3. 新的分类和回归损失：他们使用了分类的VariFocal损失和回归的SIoU/GIoU损失。

4. 自蒸馏策略：为回归和分类任务引入了自蒸馏策略。

5. 量化方案：使用RepOptimizer和通道级蒸馏的量化方案，实现了更快的检测器。

作者提供了从YOLOv6-N到YOLOv6-L6共八个不同规模的模型。

在MS COCO 2017测试开发集上的评估显示，最大的模型在NVIDIA Tesla T4上以约29 FPS的速度达到了57.2%的AP。