文章目录

• 摘要
• 算法
• • 2.1网络设计
  • 2.2Anchor辅助训练
  • 2.3自蒸馏
• 实验
• • 消融实验
• 结论

摘要

YOLOv6 v3.0中YOLOv6-N达到37.5AP，1187FPS；
YOLOv6-S达到45AP，484FPS；
扩展backbone及neck，YOLOv6-M/L达到50/52.8AP，耗时基本不变；
YOLOv6-L6在实时目标检测达到SOTA；图1中YOLOv6与其他版本进行比较。

YOLOv6贡献总结如下：
1、更新neck为RepBi-PAN，引入SiC模块及SimCSPSPPF Block；
2、使用对耗时无影响的AAT（Anchor-Aided Training）策略；
3、YOLOv6在backbone和neck中增加一个stage，强化在高分辨率输入下的表现；
4、引入一种自监督策略提升YOLOv6小模型性能，训练时使用高参数量DFL分支辅助训练回归分支，推理时去除，避免耗时增加。

算法

2.1网络设计

作者基于PAN，提出Bi-directional Concatenation(BiC)模块，如图2，融合backbone Ci-1层及Pi层特征，更多精确位置信号被保留，有利于小目标定位。
作者简化SPPF block为SimCSPSPPF Block，增强表达能力。YOLOv6中neck定义为RepBi-PAN。

2.2Anchor辅助训练

作者发现基于anchor的YOLOv6-N优于anchor-free方案，如表1

作者提出anchor辅助训练方案 (AAT)结合anchor-based及anchor-free优势，如图3，训练时辅助分支与anchor-free分支独立计算损失，辅助分支可帮助优化anchor-free head，推理时除去辅助分支，提升性能，速度不变。

2.3自蒸馏

上个版本YOLOv6中自监督损失函数如式1，使用DFL进行蒸馏框回归分支。

蒸馏早期教师模型使用软标签，随着训练进行硬标签更合适，因此作者对蒸馏权重使用余弦weight decay，如式3，

DFL将影响模型推理速度，对此作者设计Decoupled Localization Distillation（DLD），蒸馏时，学生装备原始回归分支和与DFL结合的辅助分支，教师仅使用辅助分支，原始回归分支使用硬标签训练，辅助分支使用硬标签及教师模型更新；蒸馏后，移除辅助分支。

实验

作者使用FP16精度进行各个方案比较，结果如表2，图1所示，

YOLOv6-N超越YOLOv5-N/YOLOv7-Tiny 9.5%/4.2%；
YOLOv6-S超越YOLOX-S/PPYOLOE-S 3.5%/0.9%，且耗时更短；
YOLOv6- M超越YOLOv5-M 4.6；
YOLOv6-L超越YOLOX-L/PPYOLOE-L 3.1%/1.4%；
与YOLOv8系列相比，性能接近。

作者类似YOLOv5在backbone 增加C6层用于检测更大目标，neck相应做出调整， 分别命名为YOLOv6- N6/S6/M6/L6；实验结果如表2，
与YOLOv5相比，性能提升，推理速度基本不变；
与YOLOv7-E6E相比，YOLOv6-L6性能提升0.4，耗时缩短63%；

消融实验

消融实验如表3，BiC+SimCSPSPPF使得性能提升0.6%；AAT使得性能提升0.3%；DLD使得性能提升0.7%；

BiC模块影响实验如表4，在PAN top-down路径插入BiC，YOLOv6-S/L性能提升0.6%/0.4%；但插入bottom-up路径为带来增益，作者分析由于bottom-up路径中BiC将导致检测头易混淆不同尺度特征；

表5表示不同类型SPP block影响，SimSPPF*3表示P3, P4 and P5层使用SimSPPF blocks，SimSPPCSPC在 YOLOv6-N/S上超越SimSPPF 1.6%/0.3%，但耗时增加；
在YOLOv6- N/S/M上，SimCSPSPPF超越SimSPPF 1.1%/0.4%/0.1%；
考虑到性能与耗时均衡，作者在YOLOv6-N/S使用SimCSPSPPF，YOLOv6-M/L使用SimSPPF blocks；

如表6，anchor辅助训练（AAT）在YOLOv6-S/M/L上，带来0.3%/0.5%/0.5%性能提升；在YOLOv6-N/S/M上小目标性能显著提升；

表7表明在YOLOv6-L上weight decay使得性能提升0.6%；

表8表明在YOLOv6-S上DLD带来0.7%性能提升；

结论

作者将YOLOv6进一步提升，在实时目标检测领域达到SOTA。