1.整体结构

由上图所示,从整体上来看,YOLOV6的网络结构与YOLOV4、YOLOV5是很相似的,尤其是backbone和neck,但是其中的实现模块是有变化的;但最大的不同在于Head部分,采用的是YOLOX的Head方式,将分类与回归分为两个支路,进行了解耦操作;具体内容下面将会详细的介绍。

2. Backbone

可见,Backbone的实现的基本模块为RVB1_X结构,其全程为RepVGGBlock_X,表示由多个RepVGGBlock组成;

(1)RepVGGBlock

上图是RepVGGBlock论文中绘制的图像,整个网络包括两种残差结构,如上图中的绿框红框

<1> 绿框

其残差结构仅仅包含Conv1*1残差分支,用另一种表示为:

两种的不同在于,Rep-I使用的Conv+BN模块,其步长都为2,用于进行降采样,如主干网络中的下面红框中的两种,Rep-!hui进行降采样,将输入降采样到1*32*320*320,而剩余的RVB1_X模块中,其第一个RepVGGBlock都是采用的Rep-I的方式,先进行降采样。

<2> 红框

红框不仅包含Conv1*1的残差结构,而且包含了一个Identity分支,这里常用BN层表示,如下图所示

其另一种表示为:

其中的卷积为1*1和3*3,且步长为1,通常是通道和size没有变化,常用在RVB1_X中的后面部分,如下图所示:

(2)SimSPPF

结构如下图所示:

其与YOLOV4、YOLOV5中的SPP结构是类似的,目的都是为了正大感受野,但是不同的是这里将9*9和13*13的池化核都用5*5的池化核来表示,极大的降低了计算量。

3. Neck部分

结构上与YOLOV4的PANet结构类似,先上采样融合再下采样融合,但是这里却将基本模块更换为了效果更佳的RepVGGBlock结构,整体结构如下图所示:

等同于:

其中重要的结构有两种,分别为RVB2_XRVB3_X,其实两种结构基本上是一样的,其最大的不同在于它们的第一个RepVGGBlock结构,从上图可见,经过RVB2_X的特征图的通道数是有所变化的,而经过RVB3_X的特征图的通道是没有变化的。

4. Head部分

和YOLOX一样,YOLOv6也对检测头进行了解耦,分开了边框与类别的分类过程。将边框回归和类别分类耦合在一起时会影响性能,因为这样不仅加慢收敛的速度,也会提高检测头的复杂程度。

YOLOV6网络结构相关推荐

  1. 理解yolov6网络结构

    yolov6论文地址:https://arxiv.org/abs/2209.02976 先上一张yolov6的网络架构 图片来源于网络 BACKBONE yolov6使用了repVGG作为backbo ...

  2. 从零深入理解Yolo系列理论v1-v8 + 目标检测面试提问

    目标检测-Yolo系列发展 先验框/锚框/候选框 Anchor机制 Anchors Base原理 Anchors Free原理 YOLO v1 Yolov1网络结构 Yolov1实现方法 Yolov1 ...

  3. 2022.7.4-7.10 AI行业周刊(第105期):蜗牛

    篇章一:信任感 无锡上周疫情突然严重起来,周三开始公司上班就被叫停,只能居家办公. 没办法,正逢家里的娃放暑假,只能每天白天到隔壁小区空着的房子里面办公,一忙就是一天. 一方面处理工作上的各种事情,另 ...

  4. YOLOv6:又快又准的目标检测框架开源啦

    近日,美团视觉智能部研发了一款致力于工业应用的目标检测框架 YOLOv6,能够同时专注于检测的精度和推理效率.在研发过程中,视觉智能部不断进行了探索和优化,同时吸取借鉴了学术界和工业界的一些前沿进展和 ...

  5. YOLO系列目标检测算法-YOLOv6

    YOLO系列目标检测算法目录 - 文章链接 YOLO系列目标检测算法总结对比- 文章链接 YOLOv1- 文章链接 YOLOv2- 文章链接 YOLOv3- 文章链接 YOLOv4- 文章链接 Sca ...

  6. 通用目标检测开源框架YOLOv6在美团的量化部署实战

    基于美团目标检测模型开源框架 YOLOv6,本文介绍了一种通用的量化部署方案,在保持精度的同时大幅提升了检测的速度,为通用检测的工业化部署探索出一条可行之路,希望能给大家带来一些启发或者帮助. 1. ...

  7. SOTA!目标检测开源框架YOLOv6 3.0版本来啦

    近日,美团视觉智能部发布了 YOLOv6 3.0 版本,再一次将目标检测的综合性能推向新高.YOLOv6-L6 检测精度和速度超越 YOLOv7-E6E,取得当前实时目标检测榜单 SOTA.本文主要介 ...

  8. YOLOv6:又快又准的目标检测框架开源啦《转载》

    转载的原文链接 1. 概述 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 ...

  9. YoloV6主要创新点

    YoloV6关键技术 YOLOv6 主要在 BackBone.Neck.Head 以及训练策略等方面进行了诸多的改进: 1. Hardware-friendly 的骨干网络设计 YOLOv5/YOLO ...

最新文章

  1. Java基础语法(一)注释,关键字,常量,变量,数据类型,标识符,数据类型转换...
  2. Python人脸识别+手机推送,老板来了你就会收到短信提示
  3. R语言使用ggplot2包geom_jitter()函数绘制分组(strip plot,一维散点图)带状图(双分类变量分组:色彩配置、形状配置)实战
  4. java.util.concurrent.locks.Condition 例子程序探讨
  5. jTemplates 学习使用笔记
  6. 【Android 逆向】Android 进程注入工具开发 ( 注入代码分析 | 注入工具收尾操作 | 关闭注入的动态库 | 恢复寄存器 | 脱离远程调试附着 )
  7. python函数式编程读取数据-python学习笔记9:函数式编程
  8. java最大子方阵_Java实验(5) 最大子方阵
  9. linux rpm和deb的区别,rpm与deb的区别
  10. 诗与远方:无题(三十七)- 凿壁偷光
  11. python杂记-集合和字典
  12. Mac天真答疑「6」mac系统使用技巧入门
  13. Cobbler部署指南之配置管理篇[上文]
  14. vs code 开发企业级python_怎样在vs code上搭建python环境?
  15. c语言scanf输入无理数,简单C语言scanf输入问题
  16. 游戏开发论坛_《原神》称霸苹果「2020年度iPhone游戏奖」
  17. nokia专业显示器测试软件,Nokia Monitor Test(
  18. 智慧公安大数据人工智能
  19. Python 中的 any(Python/any)
  20. Barefoot:可编程交换在5G中的潜力

热门文章

  1. 开关标识一个是0一个是-那个是开哪个是关
  2. 【跟学C++】C++STL标准模板库——算法详细整理(上)(Study18)
  3. DL之LSTM:基于《wonderland爱丽丝梦游仙境记》小说数据集利用LSTM算法(基于keras)对word实现预测
  4. python 视频转换图片
  5. 对抽象编程:接口和抽象类
  6. 2003 - Can‘t connect to MySQL server on ip (10060 “Unknown error“)
  7. 机器人运动学轨迹规划(三)----S型曲线规划算法
  8. 4月14日~15日,2021慕尼黑上海电子展,我等你来!
  9. 智能锁方案的软硬件开发简述
  10. 精选10个用于Java开发Spring Boot的Eclipse插件