yolov6

论文：《A Single-Stage Object Detection Framework for Industrial Applications》

官方实现的各个配置

mmyolo实现的配置，精度比官方略低，但速度比官方更快，模型参数更少，计算量也较少

整体框架

下图是mmyolo给出的yolov6-s配置图，在本文也主要复现这个配置

yolov6主要的改进之处:

1.设计了更高效的backbone和Neck：基于 RepVGG style 设计了可重参数化、更高效的骨干网络 EfficientRep Backbone 和 Rep-PAN Neck。在v7中只是在特定部分引入RepConv,不想v6结合到了backbone以及neck

2.相比于 YOLOX 的 Decoupled Head，进一步优化设计了简洁有效的 Efficient Decoupled Head，在维持精度的同时，降低了一般解耦头带来的额外延时开销，在v7中用的是耦合头

3.在训练策略上，采用 Anchor-free 的策略，同时辅以 SimOTA 标签分配策略以及 SIoU 边界框回归损失来进一步提高检测精度。

标签匹配策略：0 <= epoch < 4，使用 BatchATSSAssigner，epoch >= 4，使用 BatchTaskAlignedAssigner
v7是anchor-base网络，且也采用SimOTA标签分配策略，不过v7用的是CIOU边界框回归损失

4.yolov6的loss设计不同以往，只有类别和回归损失，去掉了置信损失

复现结果和细节

 1  total param num 17.196M, 计算量：21.895 GFLOPS
 2  backbone: EfficientRep Backbone
 3  Neck: Rep-PAN Neck
 4  优化器：SGD,momentum=0.937,初始学习率:2.5e-3 
 5  损失函数=Lcls+Lreg，Lcls与Lobj(BCELoss),Lreg(GIoULoss)
 6  batch=8 
 7  加载官方完整预训练权重 yolov6_coco.pth
 8  epoch = 30 
 9  总训练时间: 1h 30m 45s
10  训练集：PASCALVOC-2012train+val(0.7)(8078) 
11  测试集：PASCALVOC-2012train+val(0.3)(3462) 
12  GPU: 1 x  RTX 3070ti
13  平均推理时间和FPS:26.3ms,38.1fps（RTX 3070ti）