手把手教你运行yolov6 (小白版教程)

2023-11-06 22:31

本文主要是介绍手把手教你运行yolov6 (小白版教程),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

#一、 yolov6的介绍

#二、yolov6的吐槽

#三、yolov6运行详解

前言

自己运行yolov6的完整教程

#一、 yolov6的介绍
我在此应用美团视觉部官方的说法叙述一下yolov6
YOLOv6 是美团视觉智能部研发的一款目标检测框架,致力于工业应用。本框架同时专注于检测的精度和推理效率,在工业界常用的尺寸模型中:YOLOv6-nano 在 COCO 上精度可达 35.0% AP,在 T4 上推理速度可达 1242 FPS;YOLOv6-s 在 COCO 上精度可达 43.1% AP,在 T4 上推理速度可达 520 FPS。在部署方面,YOLOv6 支持 GPU(TensorRT)、CPU(OPENVINO)、ARM(MNN、TNN、NCNN)等不同平台的部署,极大地简化工程部署时的适配工作。
YOLOv6 是美团视觉智能部研发的一款目标检测框架,致力于工业应用。本框架同时专注于检测的精度和推理效率,在工业界常用的尺寸模型中:YOLOv6-nano 在 COCO 上精度可达 35.0% AP,在 T4 上推理速度可达 1242 FPS;YOLOv6-s 在 COCO 上精度可达 43.1% AP,在 T4 上推理速度可达 520 FPS。在部署方面,YOLOv6 支持 GPU(TensorRT)、CPU(OPENVINO)、ARM(MNN、TNN、NCNN)等不同平台的部署,极大地简化工程部署时的适配工作。在 COCO 数据集上,YOLOv6 在精度和速度方面均超越其他同体量算法,相关结果如下图所示:
在这里插入图片描述
YOLOv6 各尺寸模型与其他模型性能对比
在这里插入图片描述
Hardware-friendly 的骨干网络设计
YOLOv5/YOLOX 使用的 Backbone 和 Neck 都基于 CSPNet[5] 搭建,采用了多分支的方式和残差结构。对于 GPU 等硬件来说,这种结构会一定程度上增加延时,同时减小内存带宽利用率。下图 2 为计算机体系结构领域中的 Roofline Model[8] 介绍图,显示了硬件中计算能力和内存带宽之间的关联关系。
在这里插入图片描述

基于硬件感知神经网络设计的思想,对 Backbone 和 Neck 进行了重新设计和优化。上述重新设计的两个检测部件,我们在 YOLOv6 中分别称为 EfficientRep Backbone 和 Rep-PAN Neck,其主要贡献点在于:\n\n引入了 RepVGG[4] style 结构。\n\n基于硬件感知思想重新设计了 Backbone 和 Neck。\n\nRepVGG[4] Style 结构是一种在训练时具有多分支拓扑,而在实际部署时可以等效融合为单个 3x3 卷积的一种可重参数化的结构(融合过程如下图 3 所示)。通过融合成的 3x3 卷积结构,可以有效利用计算密集型硬件计算能力(比如 GPU),同时也可获得 GPU/CPU 上已经高度优化的 NVIDIA cuDNN 和 Intel MKL 编译框架的帮助。

Backbone部分,提出了一种叫做 EfficientRep Backbone 的结构,结构图如下:

在这里插入图片描述
图里的RepConv,RepBlock,SimSPPF均为全新的结构,这里不作更细的探究。

在 Neck 设计方面,YOLOv6提出了一种命名为Rep-PAN的结构,结构示意图如下:
在这里插入图片描述

Decoupled Head
在检测头方面,YOLOv6借鉴了YOLOX的思路,采用了解耦检测头(Decoupled Head)结构,并对其进行精简。两者对比图如下:
在这里插入图片描述

训练方法的改进
Anchor-free 无锚范式
YOLOv6 采用了更简洁的 Anchor-free 检测方法。检测方法。由于 Anchor-based检测器需要在训练之前进行聚类分析以确定最佳 Anchor 集合,这会一定程度提高检测器的复杂度;同时,在一些边缘端的应用中,需要在硬件之间搬运大量检测结果的步骤,也会带来额外的延时。而 Anchor-free 无锚范式因其泛化能力强,解码逻辑更简单,在近几年中应用比较广泛。
SimOTA
为了获得更多高质量的正样本,YOLOv6 引入了 SimOTA 算法动态分配正样本,进一步提高检测精度。YOLOv5 的标签分配策略是基于 Shape 匹配,并通过跨网格匹配策略增加正样本数量,从而使得网络快速收敛,但是该方法属于静态分配方法,并不会随着网络训练的过程而调整。
SIoU
使用了一种全新的Iou_Loss,近年来,常用的边界框回归损失包括IoU、GIoU、CIoU、DIoU loss等等,这些损失函数通过考虑预测框与目标框之前的重叠程度、中心点距离、纵横比等因素来衡量两者之间的差距,从而指导网络最小化损失以提升回归
精度,但是这些方法都没有考虑到预测框与目标框之间方向的匹配性。SIoU 损失函数通过引入了所需回归之间的向量角度,重新定义了距离损失,有效降低了回归的自由度,加快网络收敛,进一步提升了回归精度。通过在 YOLOv6s 上采用 SIoU loss 进行实验,对比 CIoU loss,平均检测精度提升 0.3% AP。

#二、yolov6的吐槽
首先是网友们的吐槽:
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
我只能说美团视觉部不自量力,瞎搞,代码的BUG特别多,在yolov6出来不久之后yolov4的作者便发布了yolov7,于是yolov6就成了一个笑话,美团现在也没发出一篇yolov6的论文,这东西拿来玩玩,做做对比实验吧。

#三、yolov6运行详解
准备工作

  1. GPU的准备
    我们需要租用一块GPU用来跑yolov6,这里推荐使用AutoDL平台,租用价格大约为100元。网址如下:https://www.autodl.com/home
    我们需要租用的GPU型号为

在这里插入图片描述
在这里插入图片描述
2. 数据集的准备
这里使用的是口罩数据集,数据集格式如下:
在这里插入图片描述
train中包含images和labels文件夹images包含图片,labels包含标签,val中同样也是。
3,。 pycharm的配置
用pycharm打开yolov6的工程
在这里插入图片描述
远程连接服务器,在选择解释器里点击添加,选择ssh,在AutoDL平台上的登录指令格式如下ssh -p 端口号@XXXXX
在这里插入图片描述
主机:@后面的XXX
用户名:root
端口号:-p后面的数字
接下来输入密码
在这里插入图片描述
连接服务器后,找到root/minconda3/python作为解释器,不要Python3
在这里插入图片描述
点击完成应用,在工具中点击自动上传,修改myself.yaml文件
在这里插入图片描述
将names:改成[‘mask’,‘no-mask’],接下来上传权重和数据集,这里使用的是filezilla,使用方法有很多

在这里插入图片描述
在上传完成之后,我们需要更改myself.yaml中的路径地址换成终端里的地址

在这里插入图片描述
出现报错,不知道怎么办从来,然后发现将train.py和infer.py单独上传
在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

接下来会缺少包,我们需要再远程终端中下载

在这里插入图片描述
启动SSH会话进入终端,下载如下包。
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
接下来出现如下错误
在这里插入图片描述

原因我很无语,美团我就不问候他了
在这里插入图片描述
这里改成yolov6,然后我们进行训练显示找不到数据集,经过查找文档发现yolov6格式不同于yolov5和yolov7,我们修改后重新上传。
在这里插入图片描述
v6不需要使用images文件夹,将以前images中的train和val文件夹图片与labels文件放在同一个目录就可以了

接下来运行train.py,运行成功后
在这里插入图片描述
找到best_ckpt.pt权重替换原来的yolov6s.pt就可以进行训练了!
在这里插入图片描述

还有一些常见错误,大家可以看这篇博客。
http://t.csdn.cn/sApoW
特别感谢对卿云阁我的帮助
大家多多关注,打赏他。
在这里插入图片描述

这篇关于手把手教你运行yolov6 (小白版教程)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/359435

相关文章

Ubuntu固定虚拟机ip地址的方法教程

《Ubuntu固定虚拟机ip地址的方法教程》本文详细介绍了如何在Ubuntu虚拟机中固定IP地址,包括检查和编辑`/etc/apt/sources.list`文件、更新网络配置文件以及使用Networ... 1、由于虚拟机网络是桥接,所以ip地址会不停地变化,接下来我们就讲述ip如何固定 2、如果apt安

PyCharm 接入 DeepSeek最新完整教程

《PyCharm接入DeepSeek最新完整教程》文章介绍了DeepSeek-V3模型的性能提升以及如何在PyCharm中接入和使用DeepSeek进行代码开发,本文通过图文并茂的形式给大家介绍的... 目录DeepSeek-V3效果演示创建API Key在PyCharm中下载Continue插件配置Con

Deepseek R1模型本地化部署+API接口调用详细教程(释放AI生产力)

《DeepseekR1模型本地化部署+API接口调用详细教程(释放AI生产力)》本文介绍了本地部署DeepSeekR1模型和通过API调用将其集成到VSCode中的过程,作者详细步骤展示了如何下载和... 目录前言一、deepseek R1模型与chatGPT o1系列模型对比二、本地部署步骤1.安装oll

在不同系统间迁移Python程序的方法与教程

《在不同系统间迁移Python程序的方法与教程》本文介绍了几种将Windows上编写的Python程序迁移到Linux服务器上的方法,包括使用虚拟环境和依赖冻结、容器化技术(如Docker)、使用An... 目录使用虚拟环境和依赖冻结1. 创建虚拟环境2. 冻结依赖使用容器化技术(如 docker)1. 创

Spring Boot整合log4j2日志配置的详细教程

《SpringBoot整合log4j2日志配置的详细教程》:本文主要介绍SpringBoot项目中整合Log4j2日志框架的步骤和配置,包括常用日志框架的比较、配置参数介绍、Log4j2配置详解... 目录前言一、常用日志框架二、配置参数介绍1. 日志级别2. 输出形式3. 日志格式3.1 PatternL

MySQL8.2.0安装教程分享

《MySQL8.2.0安装教程分享》这篇文章详细介绍了如何在Windows系统上安装MySQL数据库软件,包括下载、安装、配置和设置环境变量的步骤... 目录mysql的安装图文1.python访问网址2javascript.点击3.进入Downloads向下滑动4.选择Community Server5.

CentOS系统Maven安装教程分享

《CentOS系统Maven安装教程分享》本文介绍了如何在CentOS系统中安装Maven,并提供了一个简单的实际应用案例,安装Maven需要先安装Java和设置环境变量,Maven可以自动管理项目的... 目录准备工作下载并安装Maven常见问题及解决方法实际应用案例总结Maven是一个流行的项目管理工具

本地私有化部署DeepSeek模型的详细教程

《本地私有化部署DeepSeek模型的详细教程》DeepSeek模型是一种强大的语言模型,本地私有化部署可以让用户在自己的环境中安全、高效地使用该模型,避免数据传输到外部带来的安全风险,同时也能根据自... 目录一、引言二、环境准备(一)硬件要求(二)软件要求(三)创建虚拟环境三、安装依赖库四、获取 Dee

通过prometheus监控Tomcat运行状态的操作流程

《通过prometheus监控Tomcat运行状态的操作流程》文章介绍了如何安装和配置Tomcat,并使用Prometheus和TomcatExporter来监控Tomcat的运行状态,文章详细讲解了... 目录Tomcat安装配置以及prometheus监控Tomcat一. 安装并配置tomcat1、安装

MySql9.1.0安装详细教程(最新推荐)

《MySql9.1.0安装详细教程(最新推荐)》MySQL是一个流行的关系型数据库管理系统,支持多线程和多种数据库连接途径,能够处理上千万条记录的大型数据库,本文介绍MySql9.1.0安装详细教程,... 目录mysql介绍:一、下载 Mysql 安装文件二、Mysql 安装教程三、环境配置1.右击此电脑