YOLO V6系列(一) – 跑通YOLO V6算法

近期，看到美团视觉发布了YOLO V6算法，从名字看，感觉上是YOLO系列的一个新的里程碑吧，所以好好研究研究~
其实，简单的看了下内部的track和网络架构，感觉这个更像是YOLOX promax版本。话不多说，直接讲如何跑通YOLO V6算法。

一、简介

项目Github代码：YOLO V6算法

YOLOv6-nano 在 COCO val2017 数据集上达到 35.0 mAP，T4 上使用 TensorRT FP16 进行 bs32 推理，达到 1242 FPS，YOLOv6-s 在 COCO val2017 数据集上达到 43.1 mAP，T4 上使用 TensorRT FP16 进行 bs32 推理，达到 520 FPS。

二、训练步骤

项目文件夹（至少从文件夹就能看出来，比YOLO V5简洁多，v5的代码可读性确实不敢恭维0.0）：

1.先安装相关的库

git clone https://github.com/meituan/YOLOv6
cd YOLOv6
pip install -r requirements.txt

2.制作自定义数据集

i. 先用LabelImg标注工具进行人工标注，得到xml文件
ii. 转换为txt格式的标签文件，可以参考我之前写的一篇blog：xml2txt脚本
iii. 按照yolo v6指定的数据集存放路径进行存放自定义数据集，如下图所示。我这里为了展示，就随便放了几张示例图。

找到your yolov6 dir/data/dataset.yaml文件，进行修改

这里，如果你使用coco数据集，记得把这个is_coco设置为True,我这里使用的是voc格式的数据集，所以就是False。同时，修改自定义数据集的类别数nc和所有类别名称names。
根据需要，选择模型架构，这里官方提供了6种网络结构。这个我选择的是your yolov6 dir/configs/yolov6s.py。
5.修改train.py相关超参数（我这里是随便写的，具体的参数根据自己的需求进行修改）

    parser = argparse.ArgumentParser(description='YOLOv6 PyTorch Training', add_help=add_help)parser.add_argument('--data-path', default=r'E:\work\常用模型\YOLOv6-main\data\dataset.yaml', type=str, help='path of dataset') #数据yaml文件路径parser.add_argument('--conf-file', default=r'E:\work\常用模型\YOLOv6-main\configs\yolov6s.py', type=str, help='experiments description file') #选择的网络结构路径parser.add_argument('--img-size', default=640, type=int, help='train, val image size (pixels)') parser.add_argument('--batch-size', default=2, type=int, help='total batch size for all GPUs')parser.add_argument('--epochs', default=3, type=int, help='number of total epochs to run')parser.add_argument('--workers', default=1, type=int, help='number of data loading workers (default: 8)') #数据加载线程数parser.add_argument('--device', default='0', type=str, help='cuda device, i.e. 0 or 0,1,2,3 or cpu')parser.add_argument('--eval-interval', default=1, type=int, help='evaluate at every interval epochs') #设置模型训练多少轮进行一次验证操作parser.add_argument('--eval-final-only', action='store_true', help='only evaluate at the final epoch') #是否使用最终训练的模型权重来验证parser.add_argument('--heavy-eval-range', default=50, type=int,help='evaluating every epoch for last such epochs (can be jointly used with --eval-interval)')parser.add_argument('--check-images', action='store_true', help='check images when initializing datasets') #图片初始化的时候是否进行检查操作parser.add_argument('--check-labels', action='store_true', help='check label files when initializing datasets') #标签初始化的时候是否进行检查操作parser.add_argument('--output-dir', default='../runs/train', type=str, help='path to save outputs')parser.add_argument('--name', default='exp', type=str, help='experiment name, saved to output_dir/name')parser.add_argument('--dist_url', default='env://', type=str, help='url used to set up distributed training')parser.add_argument('--gpu_count', type=int, default=0)parser.add_argument('--local_rank', type=int, default=-1, help='DDP parameter')parser.add_argument('--resume', nargs='?', const=True, default=False, help='resume the most recent training') #是否进行继续训练

6.python tools/train.py开启训练~

推理步骤

修改tools/infer.py并运行python tools/infer.py --weights output_dir/name/weights/best_ckpt.pt --source img.jpg --device 0（具体参数，自己修改）