YOLOv6：A Single-Stage Object Detection Framework for Industrial Applications
YOLOv6基于RepVGG设计了可重参数化、更高效的骨干网络
什么是 YOLOv6?
- 1）受到硬件感知神经网络设计思想的启发，基于 RepVGG 设计了可重参数化、更高效的骨干网络 EfficientRep、RepPAN
- 2）优化设计了更简洁有效 YOLOv6 的解耦头，在维持精度的同时，进一步降低了一般解耦头带来的额外延时开销
- 3）在训练策略上，我们采用 Anchor-free无锚范式，同时 SimOTA标签分配策略、SIOUloss边界框回归损失来进一步提高检测精度
YOLOv6的网络结构？
- 1）受到硬件感知神经网络设计思想的启发，基于 RepVGG 设计了可重参数化、更高效的骨干网络 EfficientRep、RepPAN
- 2）优化设计了更简洁有效YOLOv6的解耦头，在维持精度的同时，进一步降低了一般解耦头带来的额外延时开销
YOLOv6的解耦头?
- YOLOv5检测头是通过分类和回归分支融合共享的方式来实现的，而 YOLOX的检测头则是将分类和回归分支进行解耦，同时新增了两个额外的 3x3 的卷积层，虽然提升了检测精度，但一定程度上增加了网络延时
- 在 YOLOv6 中，采用了解耦头结构，并对其进行了精简设计。采用 Hybrid Channels 策略重新设计了一个更高效的解耦头结构，在维持精度的同时降低了延时，缓解了解耦头中 3x3 卷积带来的额外延时开销
什么是 EfficientRep？
- 基于以上 Rep 算子设计了一个高效的 Backbone。相比于 YOLOv5采用的 CSP-Backbone，该 Backbone 能够高效利用硬件（如 GPU）算力的 同时，还具有较强的表征能力
什么是 RepPAN？
- 基于硬件感知神经网络设计思想，为 YOLOv6 设计了一个更有效的特征融合网络结构RepPAN
- 基于PAN拓扑方式，用RepBlock替换了YOLOv5中使用的CSP-Block，同时对整体 Neck 中的算子进行了调整，目的是在硬件上达到高效推理的同时，保持较好的多尺度特征融合能力
什么是SimSPPF？
- YOLOv6提出的模块，感觉SPPF只差了一个激活函数，简单测试了一下，单个ConvBNReLU速度要比ConvBNSiLU快18%
YOLOv6 的 SimOTA 标签分配策略？
- 为了获得更多高质量的正样本，YOLOv6 引入了 SimOTA 动态分配正样本，进一步提高检测精度，YOLOv5 的标签分配策略是基于 Shape 匹配，并通过跨网格匹配策略增加正样本数量，从而使得网络快速收敛，但是该方法属于静态分配方法，并不会随着网络训练的过程而调整
- 在YOLOX中，OT又简化为动态的top-k策略进行分配，也就是得到一个近似解的策略：动态样本匹配(SimOTA)。YOLOv6也沿用这个标签分配的方法
参考: