国产在线观看黄,看操逼的,黑人操逼大片,天天干天天操天天操,天天做天天干天天爱麻豆,日韩电影在线视频,鸡巴美女91,久青草福利视频

undefined

YOLOv6是美團視覺智能部研發(fā)的一款目標檢測框架，致力于工業(yè)應用，于今年6月份在GitHub上開源。近日，美團視覺智能部發(fā)布了YOLOv6 2.0版本，推出了性能更強的全系列模型。

9月5日，美團發(fā)布了YOLOv6 2.0版本，本次更新對輕量級網(wǎng)絡進行了全面升級，量化版模型 YOLOv6-S 達到了 869 FPS，同時，還推出了綜合性能優(yōu)異的中大型網(wǎng)絡（YOLOv6-M/L），豐富了YOLOv6網(wǎng)絡系列。其中，YOLOv6-M/L 在 COCO 上檢測精度（AP）分別達到 49.5%/52.5%，在 T4 卡上推理速度分別可達 233/121 FPS（batch size =32）。

GitHub下載地址：https://github.com/meituan/YOLOv6。歡迎Star收藏，隨時取用。

官方出品詳細的Tech Report帶你解構YOLOv6：YOLOv6: A Single-Stage Object Detection Framework for Industrial Applications。

注：速度指標均在T4 TRT7.2 環(huán)境下測試，除了YOLOv6-S量化模型在T4 TRT8.4 環(huán)境下測試。

注：YOLOv6系列模型均在訓練300epoch且不使用預訓練模型或額外檢測數(shù)據(jù)集下獲得，”?“表示采用了自蒸餾算法，”?“表示從官方代碼庫對發(fā)布模型進行重新測評的指標。以上速度指標均在T4 TRT7.2 環(huán)境下測試。

本次版本升級，主要有以下更新：

性能更強的全系列模型

針對中大型模型（YOLOv6-M/L），設計了新主干網(wǎng)絡 CSPStackRep，它在綜合性能上比上一版的 Single Path 結構更具優(yōu)勢。
針對不同網(wǎng)絡，系統(tǒng)性地驗證了各種最新策略/算法的優(yōu)劣，綜合精度和速度，為每類網(wǎng)絡選擇合適的方案。同時將模型整體訓練時間減少了 50%，極大地提升了模型的訓練效率。
引入自蒸餾思想并設計了新的學習策略，大幅提升了 YOLOv6-M/L 的模型精度。
通過訓練時 Early Stop 強數(shù)據(jù)增強及推理時圖像 Resize 優(yōu)化策略，修復了前期版本中輸入尺寸對齊到 640x640 后精度損失的問題，提升了現(xiàn)有模型的實際部署精度。

表 1 展示了 YOLOv6 與當前主流的其他 YOLO 系列算法相比較的實驗結果，對比業(yè)界其他 YOLO 系列，YOLOv6在所有系列均具有一定的優(yōu)勢：

YOLOv6-M 在 COCO val 上取得了 49.5% 的精度，在 T4 顯卡上使用 TRT FP16 batchsize=32 進行推理，可達到 233 FPS 的性能。
YOLOv6-L 在 COCO val 上取得了 52.5% 的精度，在 T4 顯卡上使用 TRT FP16 batchsize=32 進行推理，可達到 121 FPS 的性能。
同時，YOLOv6-N/ S 模型在保持同等推理速度情況下，大幅提升了精度指標，訓練400 epoch 的條件下，N 網(wǎng)絡從 35.0% 提升至 36.3%，S 網(wǎng)絡從 43.1% 提升至 43.8%。

量身定制的量化方案

本次發(fā)布還集成了專門針對 YOLOv6 的量化方案，對重參數(shù)化系列模型的量化也有參考意義。該方案借鑒 RepOptimizer [1] 在梯度更新時做重參數(shù)化，解決了多支路動態(tài)范圍過大導致難以量化的問題，用 RepOptimizer 訓練的 YOLOv6 模型可以直接使用訓練后量化（Post-training Quantization，PTQ），而不產(chǎn)生過大的精度損失。

在這一基礎上，我們分析了各層的量化敏感性，將部分敏感層以更高精度運算，進一步提升了模型的精度。另外，我們同時發(fā)布了針對 2.0 版本的基于逐通道蒸餾的量化感知訓練方案（Quantization-aware Training，QAT），并結合圖優(yōu)化，YOLOv6-S 2.0 版本的量化性能可達到 43.3 mAP 和 869 FPS （batch size=32）。

表2 YOLOv6-S 量化方案與 PaddleSlim 應用于 YOLO 系列模型的量化效果對比

注：以上速度指標均在 T4 TRT8.4 環(huán)境下測試。對比方法為 PaddleSlim [30] 。不同之處是 PaddleSlim 使用 YOLOv6-S 1.0 版本，我們的量化方案應用于 2.0 版本。

更詳盡的關于量化部署實踐的相關內(nèi)容，近期會在美團技術團隊公眾號上進行推送，敬請期待。

完備的開發(fā)支持和多平臺部署適配

YOLOv6 支持檢測模型訓練、評估、預測以及模型量化、蒸餾等全鏈路開發(fā)流程，同時支持 GPU（TensorRT）、CPU（OPENVINO）、ARM（MNN、TNN、NCNN）等不同平臺的部署，極大簡化工程部署時的適配工作。更詳細的教程指引請移步 YOLOv6 Github 倉庫 Deployment 的部分。

相關論文

[1] RepOptimizer:Re-parameterizing Your Optimizers rather than Architectures

---------- END ----------

推薦閱讀

深入理解生成模型VAE

DropBlock的原理和實現(xiàn)

SOTA模型Swin Transformer是如何煉成的!

有碼有顏！你要的生成模型VQ-VAE來了！

集成YYDS！讓你的模型更快更準！

輔助模塊加速收斂，精度大幅提升！移動端實時的NanoDet-Plus來了！

SimMIM：一種更簡單的MIM方法

SSD的torchvision版本實現(xiàn)詳解