YOLO 系列] YOLOv6 论文超详细解读（译文＋学习笔记）--IV.结论 - 结论

翻译

简而言之，考虑到持续的工业需求，我们提出了YOLOv6的当前形式，仔细研究了迄今为止物体探测器组件的所有进步，同时灌输了我们的思想和实践。其结果在精度和速度上都超过了其他可用的实时检测器。为了方便工业部署，我们还为YOLOv6提供了定制的量化方法，使其成为开箱即用的快速检测器。我们衷心感谢学术界和工业界的杰出想法和努力。未来，我们将继续扩大该项目，以满足更高的标准和更苛刻的场景。

精读

YOLOv6在精度和速度上都超过了其他可用的目标检测器。为了方便工业部署，作者还为YOLOv6提供了定制的量化方法，使其成为开箱 即用的快速检测器。

解决的问题

   （1）RepVGG提出的结构重参数化方法表现良好，但在此之前没有检测模型使用。作者认为RepVGG的block缩放不合理，小模型和大模型

   （2）没必要保持相似网络结构；小模型使用单路径架构，大模型就不适合在单路径上堆参数量。

   （3）使用重参数化的方法后，检测器的量化也需要重新考虑，否则因为训练和推理时的结构不同，性能可能会退化。

   （4）前期工作很少关注部署。前期工作中，推理是在V100等高配机器完成的，但实际使用时往往用T4等低功耗推理gpu，作者更关注后者

的性能。

  （5）针对网络结构的变化，重新考虑标签分配和损失函数。

   （6）对于部署，可以调整训练策略，在不增加推理成本的情况下提升性能，如使用知识蒸馏。

主要贡献

 （1）在不同的工业落地场景下，设计了不同的模型，兼顾精度与速度。其中，小模型为单分支，大模型为多分支。    

 （2）在分类和回归任务上都使用自蒸馏策略，动态调整教师模型和标签，便于学生模型的训练。

 （3）分析了各种标签分配、损失函数和数据增强技术，选择合适的策略进一步提升性能。

 （4） 基于RepOptimizer优化器和通道蒸馏，对量化方式做了改进。

未来完善

   1.  完善 YOLOv6 全系列模型，持续提升检测性能。

   2.  在多种硬件平台上，设计硬件友好的模型。

   3.  支持 ARM 平台部署以及量化蒸馏等全链条适配。

   4.  横向拓展和引入关联技术，如半监督、自监督学习等等。

   5.  探索 YOLOv6 在更多的未知业务场景上的泛化性能。

---

本文参考：

YOLOv6：又快又准的目标检测框架开源啦 - 美团技术团队 (meituan.com)