README_cn.md

• 除了 YOLOv6-N6/S6 模型是训练了300轮的结果，其余模型均为自蒸馏训练之后的结果；
• mAP 和速度指标是在 COCO val2017 数据集上评估的，P5模型输入分辨率为 640×640，P6模型输入分辨率为 1280×1280；
• 速度是在 T4 上测试的，TensorRT 版本为 7.2；
• 复现 YOLOv6 的速度指标，请查看 速度测试 教程；
• YOLOv6 的参数和计算量是在推理模式下计算的；

• 速度是在 T4 上测试的，TensorRT 版本为 7.2；

量化模型

• 速度是在 T4 上测试的，TensorRT 版本为 8.4；
• 精度是在训练 300 epoch 的模型上测试的；

• 从模型尺寸和输入图片比例两种角度，在构建了移动端系列模型，方便不同场景下的灵活应用。
• 所有权重都经过 400 个 epoch 的训练，并且没有使用蒸馏技术。
• mAP 和速度指标是在 COCO val2017 数据集上评估的，输入分辨率为表格中对应展示的。
• 使用 MNN 2.3.0 AArch64 进行速度测试。测速时，采用2个线程，并开启arm82加速，推理预热10次，循环100次。
• 高通888(sm8350)、天玑720(mt6853)和高通660(sdm660)分别对应高中低端不同性能的芯片，可以作为不同芯片下机型能力的参考。
• NCNN 速度测试教程可以帮助展示及复现 YOLOv6Lite 的 NCNN 速度结果。

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

请参考教程 训练 COCO 数据集.

单卡

# P5 models
python tools/train.py --batch 32 --conf configs/yolov6s_finetune.py --data data/dataset.yaml --fuse_ab --device 0
# P6 models
python tools/train.py --batch 32 --conf configs/yolov6s6_finetune.py --data data/dataset.yaml --img 1280 --device 0

多卡 （我们推荐使用 DDP 模式）

# P5 models
python -m torch.distributed.launch --nproc_per_node 8 tools/train.py --batch 256 --conf configs/yolov6s_finetune.py --data data/dataset.yaml --fuse_ab --device 0,1,2,3,4,5,6,7
# P6 models
python -m torch.distributed.launch --nproc_per_node 8 tools/train.py --batch 128 --conf configs/yolov6s6_finetune.py --data data/dataset.yaml --img 1280 --device 0,1,2,3,4,5,6,7

• fuse_ab: 增加anchor-based预测分支并使用联合锚点训练模式 (P6模型暂不支持此功能)
• conf: 配置文件路径，里面包含网络结构、优化器配置、超参数信息。如果您是在自己的数据集训练，我们推荐您使用yolov6n/s/m/l_finetune.py配置文件；
• data: 数据集配置文件，以 COCO 数据集为例，您可以在 COCO 下载数据, 在这里下载 YOLO 格式标签；
• 确保您的数据集按照下面这种格式来组织；

├── coco
│   ├── annotations
│   │   ├── instances_train2017.json
│   │   └── instances_val2017.json
│   ├── images
│   │   ├── train2017
│   │   └── val2017
│   ├── labels
│   │   ├── train2017
│   │   ├── val2017

YOLOv6 支持不同的输入分辨率模式，详情请参见 如何设置输入大小.

如果您的训练进程中断了，您可以这样恢复先前的训练进程。

# 单卡训练
python tools/train.py --resume

# 多卡训练
python -m torch.distributed.launch --nproc_per_node 8 tools/train.py --resume

上面的命令将自动在 YOLOv6 目录中找到最新保存的模型，然后恢复训练。

您也可以通过 --resume 参数指定要恢复的模型路径

# 记得把 /path/to/your/checkpoint/path  替换为您要恢复训练的模型权重路径
--resume /path/to/your/checkpoint/path

这将从您提供的模型路径恢复训练。

# P5 models
python tools/eval.py --data data/coco.yaml --batch 32 --weights yolov6s.pt --task val --reproduce_640_eval
# P6 models
python tools/eval.py --data data/coco.yaml --batch 32 --weights yolov6s6.pt --task val --reproduce_640_eval --img 1280

• verbose: 如果要打印每一类的精度信息，请设置为 True；
• do_coco_metric: 设置 True / False 来打开或关闭 pycocotools 的评估；
• do_pr_metric: 设置 True / False 来显示或不显示精度和召回的指标；
• config-file: 指定一个包含所有评估参数的配置文件，例如 yolov6n_with_eval_params.py

首先，从 release页面 下载一个训练好的模型权重文件，或选择您自己训练的模型；

然后，通过 tools/infer.py文件进行推理。

# P5 models
python tools/infer.py --weights yolov6s.pt --source img.jpg / imgdir / video.mp4
# P6 models
python tools/infer.py --weights yolov6s6.pt --img 1280 1280 --source img.jpg / imgdir / video.mp4

如果您想使用本地摄像头或者网络摄像头，您可以运行:

# P5 models
python tools/infer.py --weights yolov6s.pt --webcam --webcam-addr 0
# P6 models
python tools/infer.py --weights yolov6s6.pt --img 1280 1280 --webcam --webcam-addr 0

webcam-addr 可以是本地摄像头的 ID，或者是 RTSP 地址。

• ONNX
• OpenCV Python/C++
• OpenVINO
• TensorRT
• NCNN
• Android

• 用户手册（中文版）
• 训练 COCO 数据集
• 训练自定义数据集
• 测速
• YOLOv6 量化教程

• YOLOv6 NCNN Android app demo: ncnn-android-yolov6 from FeiGeChuanShu
• YOLOv6 ONNXRuntime/MNN/TNN C++: YOLOv6-ORT, YOLOv6-MNN and YOLOv6-TNN from DefTruth
• YOLOv6 TensorRT Python: yolov6-tensorrt-python from Linaom1214
• YOLOv6 TensorRT Windows C++: yolort from Wei Zeng
• YOLOv6 web demo on Huggingface Spaces with Gradio.
• 教程: 如何用 YOLOv6 训练自己的数据集
• YOLOv6 在 Google Colab 上的推理 Demo