YOLOv6-目标检测论文解读

论文： 《YOLOv6: A Single-Stage Object Detection Framework for Industrial Applications》
github： https://github.com/meituan/YOLOv6

摘要

YOLOv6-N在T4平台COCO数据集达到35.9 AP，推理速度1234FPS；YOLOv6-S达到43.5 AP，推理速度495FPS，超越YOLOv5-S、YOLOX-S、PPYOLOE-S；YOLOv6-M/L达到49.5%/52.3%；如图1所示

问题

作者发现以下几点可用于优化YOLO
1、RepVGG重参数化可应用于检测器；
2、基于重参数化的探测器的量化也需要精心处理，由于其异构配置而导致的性能下降将难以处理；
3、之前工作较少关注部署；
4、标签分配策略及损失函数设计需要进一步验证 ；
5、对于部署，训练过程可以使用知识蒸馏等策略，但不增加推理成本；
为了推理加速，作者使用了PTQ、QAT量化方法；
YOLOv6总结如下：
1、设计不同结构，达到速度与性能均衡；
2、在分类及回归任务使用自蒸馏策略；
3、充分验证标签分配、损失函数、数据增强策略；
4、使用RepOptimizer及channel级蒸馏改进量化机制；

算法

YOLOv6整体框架如图2所示

网络设计

Backbone

RepVGG将训练时多分支重参数化为推理时单分支结构，达到速度与精度平衡；
受此影响，对于小模型作者设计EfficientRep，如图3a为训练时RepBlock，图3b为推理时将RepBlock转换为33卷积+ReLU形式；
随着模型增大，平铺直连网络结构计算量、参数量指数级增长；对此作者提出CSPStackRep Block如图3c所示，由3个11卷积及多个子网络组成，其中子网络包括两个RepConv+ReLU构成，除此之外，使用CSP连接；与PP-YOLOE中CSPRepResStage相比，CSPStackRep更加简洁，达到速度与精度平衡。

Neck

作者使用YOLOv4、YOLOv5中魔改的PAN（将shortcut改为concat），同时对于小模型使用RepBlock替换CSPBlock，对于大模型使用CSPStackRep Block替换CSPBlock，YOLOv6中neck命名为Rep-PAN。

Head

作者使用分类回归解耦头，并引入混合通道策略（hybrid-channel，HC），每个仅使用一个1个3*3卷积层，称为Efficient Decoupled Head，进一步降低计算量；
Anchor-free方案不需要预设参数，同时后处理耗时短；Anchor-free方案有两种：point-base（FCOS）、keypoint-based（CornerNet），YOLOv6使用point-based方案；

标签分配

SimOTA（YOLOX提出）：

SimOTA过程如下：
1、计算成对预测框与真值框代价，由分类及回归loss构成；
2、计算真值框与前k个预测框iou，其和为Dynamic k；因此对于不同真值框，其Dynamic k存在差异。
3、最后选择代价最小的前Dynamic k个预测框作为正样本；
但是SimOTA导致训练过程变慢，因此作者未使用SimOTA.

TAL（Task alignment learning，TOOD提出）

1、在各个特征层计算gt与预测框iou及与分类得分乘积作为score，进行分类检测任务对齐；
2、对于每个gt选择top-k个最大的score对应bbox；
3、选取bbox所使用anchor的中心落在gt内的为正样本；
4、若一个anchor box对应多个gt，则选择gt与预测框iou最大那个预测框对应anchor负责该gt；
TAL使用代价函数（包含分类及回归信息）代替iou进行划分样本标签，从一定程度上解决分类回归不统一问题，比如分类效果不好但定位效果好。
经过实验，作者发现TAL相对于SimOTA性能更好且训练稳定，因此YOLOv6使用TAL；
作者发现PP-YOLOE中改进的ET-head为带来性能增益，但降低推理耗时，因此作者仍使用Efficient decoupled head.

损失函数

分类损失

Focal Loss通过更改cross-entropy损失权重解决正负样本类别不均衡及难易样本不均衡问题；
QFL为解决训练推理时框质量及分类得分用法不一致问题，比如训练过程各个分支分别训练，但是推理时分类得分与质量得分相乘作为nms score进行排序；QFL将FL中硬标签转为软标签，由类别与iou乘积作为软标签；
VFL考虑到正负样本不同重要程度，正样本少而负样本多，VFL降低负样本损失权重；
Poly Loss将分类损失拆分为一系列加权多项式，实验表明效果优于交叉熵损失和FL。
经过实验作者选择VariFocal Loss作为分类损失

框回归损失

框回归损失由最初L1损失，到iou系列损失，iou损失已经证明有效，因为其与评价指标一致；作者在YOLOv6-N及YOLOv6-T使用SIoU损失，其余使用GIoU损失；
DFL将框位置连续分布简化为离散概率分布；YOLOv6-M/L使用DFL，其余未使用。

def distribution_focal_loss(pred, label):r"""Distribution Focal Loss (DFL) is from `Generalized Focal Loss: LearningQualified and Distributed Bounding Boxes for Dense Object Detection<https://arxiv.org/abs/2006.04388>`_.Args:pred (torch.Tensor): Predicted general distribution of bounding boxes(before softmax) with shape (N, n+1), n is the max value of theintegral set `{0, ..., n}` in paper.label (torch.Tensor): Target distance label for bounding boxes withshape (N,).Returns:torch.Tensor: Loss tensor with shape (N,)."""dis_left = label.long()dis_right = dis_left + 1weight_left = dis_right.float() - labelweight_right = label - dis_left.float()loss = (F.cross_entropy(pred, dis_left, reduction="none") * weight_left+ F.cross_entropy(pred, dis_right, reduction="none") * weight_right)return loss

目标损失

FCOS引入centerness用于降低低质量框得分，YOLOX通过IoU分支进行，作者尝试目标损失，但未带来增益。

行业有用改进

作者训练时长由300epoch提升到400epoch，性能提升

自蒸馏

作者限制教师模型与学生模型网络结构相同，但经过预训练，因此称为自蒸馏。
归因于DFL损失，回归分支也可使用知识蒸馏，损失函数如式1所示，

图像灰度边界填充

与YOLOv5、YOLOv7一致，作者对图片边界进行half-stride灰度填充，这一策略有助于提升图像边界目标检出能力，但会增加推理耗时。
对此作者认为与马赛克增强有关，最后一轮训练时关闭马赛克操作，同时原图增加灰度边界后，resize到原始图片尺寸，可在不增加耗时情况下，保持或提升模型性能。

量化及部署

作者使用RepOptimizer训练模型获取PTQ（训练后量化）友好权重，如图4所示，特征分布大幅收缩；
为进一步提升PTQ表现，作者选择部分量化敏感层仍使用浮点计算；作者使用MSE、SNR、余弦相似度、AP进行评估，选择top-6量化敏感层仍使用浮点计算。
为防止PTQ不足，作者引入QAT（训练中量化），保证训练推理一致，作者同样使用RepOptimizer，此外使用channel-wise蒸馏，如图5所示；
YOLOv6-S达到42.3 AP，在batch32时达到869FPS。

实验

表1汇总YOLO系列在COCO数据集性能，
与YOLOv5-N/YOLOv7-Tiny相比，YOLOv6-N分别提升7.9%/2.6%，并且诉苦更快；
与YOLOX-S/PPYOLOE-S相比，YOLOv6-S性能分别提升3.0%/0.4%，且速度更快；
YOLOv6-M相比于YOLOv5-M，性能提升4.2%，耗时接近，相比于YOLOX-M/PPYOLOE-M，性能提升2.7%/0.6%，耗时更短；
YOLOv6-L相比于YOLOX-L/PPYOLOE-L，耗时接近，性能分别提升2.8%/1.1%；
YOLOv6-L-ReLU中将YOLOv6-L中SiLU替换为ReLU，速度更快，性能略下降；

消融实验

表2作者比较backbone及neck中不同block及CSPStackRep Block中channel系数（CC）影响，作者发现不同网络结构适用不同策略；

表3表示YOLOv6-L neck中参数影响，窄深网络相对于宽浅网络，性能提升0.2%，耗时接近；
YOLO系列中常用激活函数有ReLU、LReLU、Swish、SiLU、Mish等，虽然SiLU最常用，带来性能提升，但是部署时无法与卷积层融合，ReLU更具有速度优势；

表4作者验证卷积层与激活函数不同组合性能，Conv+SiLU性能最佳，但RepConv+ReLU达到性能与速度均衡；作者在YOLOv6-N/T/S/M中使用RepConv/ReLU，为了达到更高推理速度，YOLOv6-L中使用Conv/SiLU，为了追求性能；

表5作者以YOLOv5-N为基线，验证YOLOv6-N中不同部件影响，解耦头（DH）性能提升1.4%
，耗时增加5%；anchor-free（AF）方案耗时降低51%；
EfficientRep Backbone+Rep-PAN neck（EB+RN）使得性能提升3.6%，耗时降低21%；
Head中混合通道策略（hybrid-channel，HC）使得性能太好0.2%，耗时降低6.8%；

表6展示不同label assign策略影响；

损失函数

损失函数包括分类损失、回归损失、可选择的目标损失，如式3，

表8作者对不同分类损失函数进行验证，作者选用VFL；

表示9作者对不同回归损失，进行比较；YOLOv6-N及YOLOv6-T使用SIoU损失，其余使用GIoU损失；

表10表示概率损失函数影响，YOLOv6-M/L使用DFL，其余未使用；

表11表示目标损失影响，可见YOLOv6-N/S/M中目标损失均为带来增益；作者分析由于TAL中两分支与目标分支存在冲突，TAL中将IoU与分类联合作为，额外引入一分支导致两分支对齐变为三分支，增加对齐难度；

表12表明延长训练epoch，性能提升；

表13表明自蒸馏应用于分类分支性能提升0.4%，回归分支性能提升0.3%，weight decay带来性能提升0.6%；

表14表明当不进行灰度补边时，移除马赛克带来性能下降；使用马赛克，同时输入图片634*634，进行3个像素灰度补边，性能进一步提升；

量化实验

表15表明RepOptimizer带来性能大幅改进；

表16表明**Partial QAT（只对敏感层进行量化）**比full QAT性能更佳，但耗时略增加；

表17表明作者量化的YOLOv6-S速度快性能佳，其余检测器使用PaddleSlim中基于蒸馏量化方法；

结论

YOLOv6实验了目前先进目标检测策略，同时引入作者想法，在速度及性能上超越当前实时目标检测器。