論文： 《YOLOv6 v3.0: A Full-Scale Reloading 》
github： https://github.com/meituan/YOLOv6
上版本參考 YOLOv6

摘要

YOLOv6 v3.0中YOLOv6-N達到37.5AP，1187FPS；
YOLOv6-S達到45AP，484FPS；
擴展backbone及neck，YOLOv6-M/L達到50/52.8AP，耗時基本不變；
YOLOv6-L6在實時目標檢測達到SOTA；圖1中YOLOv6與其他版本進行比較。

YOLOv6貢獻總結(jié)如下：
1、更新neck為RepBi-PAN，引入SiC模塊及SimCSPSPPF Block；
2、使用對耗時無影響的AAT（Anchor-Aided Training）策略；
3、YOLOv6在backbone和neck中增加一個stage，強化在高分辨率輸入下的表現(xiàn)；
4、引入一種自監(jiān)督策略提升YOLOv6小模型性能，訓練時使用高參數(shù)量DFL分支輔助訓練回歸分支，推理時去除，避免耗時增加。

算法

2.1網(wǎng)絡設計

作者基于PAN，提出Bi-directional Concatenation(BiC)模塊，如圖2，融合backbone Ci-1層及Pi層特征，更多精確位置信號被保留，有利于小目標定位。
作者簡化SPPF block為SimCSPSPPF Block，增強表達能力。YOLOv6中neck定義為RepBi-PAN。

2.2Anchor輔助訓練

作者發(fā)現(xiàn)基于anchor的YOLOv6-N優(yōu)于anchor-free方案，如表1

作者提出anchor輔助訓練方案 (AAT)結(jié)合anchor-based及anchor-free優(yōu)勢，如圖3，訓練時輔助分支與anchor-free分支獨立計算損失，輔助分支可幫助優(yōu)化anchor-free head，推理時除去輔助分支，提升性能，速度不變。

2.3自蒸餾

上個版本YOLOv6中自監(jiān)督損失函數(shù)如式1，使用DFL進行蒸餾框回歸分支。

蒸餾早期教師模型使用軟標簽，隨著訓練進行硬標簽更合適，因此作者對蒸餾權(quán)重使用余弦weight decay，如式3，

DFL將影響模型推理速度，對此作者設計Decoupled Localization Distillation（DLD），蒸餾時，學生裝備原始回歸分支和與DFL結(jié)合的輔助分支，教師僅使用輔助分支，原始回歸分支使用硬標簽訓練，輔助分支使用硬標簽及教師模型更新；蒸餾后，移除輔助分支。

實驗

作者使用FP16精度進行各個方案比較，結(jié)果如表2，圖1所示，

YOLOv6-N超越Y(jié)OLOv5-N/YOLOv7-Tiny 9.5%/4.2%；
YOLOv6-S超越Y(jié)OLOX-S/PPYOLOE-S 3.5%/0.9%，且耗時更短；
YOLOv6- M超越Y(jié)OLOv5-M 4.6；
YOLOv6-L超越Y(jié)OLOX-L/PPYOLOE-L 3.1%/1.4%；
與YOLOv8系列相比，性能接近。

作者類似YOLOv5在backbone 增加C6層用于檢測更大目標，neck相應做出調(diào)整， 分別命名為YOLOv6- N6/S6/M6/L6；實驗結(jié)果如表2，
與YOLOv5相比，性能提升，推理速度基本不變；
與YOLOv7-E6E相比，YOLOv6-L6性能提升0.4，耗時縮短63%；

消融實驗

消融實驗如表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模塊影響實驗如表4，在PAN top-down路徑插入BiC，YOLOv6-S/L性能提升0.6%/0.4%；但插入bottom-up路徑為帶來增益，作者分析由于bottom-up路徑中BiC將導致檢測頭易混淆不同尺度特征；

表5表示不同類型SPP block影響，SimSPPF*3表示P3, P4 and P5層使用SimSPPF blocks，SimSPPCSPC在 YOLOv6-N/S上超越SimSPPF 1.6%/0.3%，但耗時增加；
在YOLOv6- N/S/M上，SimCSPSPPF超越SimSPPF 1.1%/0.4%/0.1%；
考慮到性能與耗時均衡，作者在YOLOv6-N/S使用SimCSPSPPF，YOLOv6-M/L使用SimSPPF blocks；

如表6，anchor輔助訓練（AAT）在YOLOv6-S/M/L上，帶來0.3%/0.5%/0.5%性能提升；在YOLOv6-N/S/M上小目標性能顯著提升；

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帶來0.7%性能提升；

結(jié)論

作者將YOLOv6進一步提升，在實時目標檢測領域達到SOTA。