深度学习论文: YOLOv6 v3.0: A Full-Scale Reloading及其PyTorch实现
发布时间
阅读量：
阅读量
深度学习领域的研究：YOLOv6 v3.0：全规模重新加载机制及其基于PyTorch的实现方案
PDF：https://arxiv.org/pdf/2301.05586.pdf
PyTorch代码库：https://github.com/shanglianlm0525/CvPytorch
PyTorch代码库：https://github.com/shanglianlm0525/PyTorch-Networks
1 概述
基于优化后的主干网络（Backbone）与头部模块设计（Head）构建，在保证高性能的基础上完成了对YOLO家族SOTA的突破性实现。
2 YOLOv6 v3.0
2-1 Network Design
将 SPPF 模块简化为类似于 CSP 的版本，并命名为 SimCSSPPPF 模块的同时通过调整宽度和深度来增强特征表达能力；其中 RepBlock 适用于小型模型而 CSPStackRepBlock 适用于大型模型
2-2 Anchor-Aided Training
相比基于 anchor-free 的方案，在小模型上 anchor-base 方案能带来更好的性能表现。为此我们提出了 anchor-aided 锚定辅助训练 (AAT) 策略，在不降低推理效率的前提下兼具 anchor-based 和 anchor-free 方案的优势特性。值得注意的是 AAT 同时被应用于分类器和回歸模型的训练中。
2-3 Self-distillation
采用了新型自蒸馏方法以优化YOLOv6小模型性能，在训练阶段DFL较重分支充当增强辅助回归组件，并于推断阶段移除以防止显著速度损失
DFL 的引入依赖于回归分支引入额外的参数设置, 这一过程会对小型模型的推理速度造成明显的影响. 此外,YOLOv6 为优化小型模型性能专门开发了解耦局部蒸馏技术 (DLD), 其核心目标是在维持推理速度不变的前提下显著提升分类精度.
3 Experiments
全部评论 (0)
还没有任何评论哟~