官方模子：YOLOv6/README_cn.md at main · meituan/YOLOv6
目次
1、模子和环境预备
1.1 模子下载
1.2 依靠环境安装
1.3 权重文件下载
1.4 环境测试
2、设置文件和数据集预备
2.1 预备数据集
2.2 设置文件预备
2.3 BUG修改
3、模子练习
3.1 模子练习
3.2 练习效果先容
（1）. best_ckpt.pt
（2）. last_ckpt.pt
（3）区别总结
4、模子评估与推理
4.1 模子评估
4.2 模子推理
参数详解
1、模子和环境预备
1.1 模子下载
起首要做的是将yolov6模子克隆到当地，yolov6模子官网：YOLOv6，你可以点击内里进去下载到当地，也可以 通过git clone的方式下载到当地，如下：
- git clone https://github.com/meituan/YOLOv6
下载到当地后，有一个YOLOv6文件夹，如上。
1.2 依靠环境安装
终端指令进入到YOLOv6文件夹下载，举行依靠包按，如下：
- cd YOLOv6
- pip install -r requirements.txt
1.3 权重文件下载
依靠环境安装完成后，举行模子权重文件下载，yolov6的权重文件有多个版本。
进入这个地点下载权重：YOLOv6,找到如下Benchmark模块，如下：
必要用什么模子，就点击对应的模子直接举行下载，比方我用的是yolov6s.pt,即我下载的YOLOv6-S，每一个模子都有本身的特点，详细先容在下面。
YOLOv6 是一种高效的及时目的检测模子，提供了多种预练习权重模子，每个模子都有其特定的特点和应用场景。以下是 YOLOv6 提供的一些常见预练习权重模子及其重要区别：
模子特点和区别：
1.YOLOv6-N (Nano)
（1）特点：
- 推理速率极快，但在精度上有肯定断送。
- 极其轻量级的模子，适当资源非常受限的装备。
（2）实用场景：物联网 装备、低功耗嵌入式体系等。
（3）权重文件：yolov6n.pt
2.YOLOv6-S (Small)
(1) 特点：
- 较小的模子巨细，适当资源受限的装备。
- 推理速率较快，精度较高。
(2) 实用场景：
- 移动装备、嵌入式体系等对模子巨细和推理速率有较高要求的场景。
(3) 权重文件：yolov6s.pt
3.YOLOv6-M (Medium)
(1) 特点：
- 模子巨细介于 Small 和 Large 之间。
- 精度和速率的均衡较好。
(2) 实用场景：
- 一样寻常用途的目的检测使命，既必要肯定的精度又必要较快的推理速率。
(3) 权重文件：yolov6m.pt
4.YOLOv6-L (Large)
(1) 特点：
- 较大的模子巨细，具有更高的精度。
- 推理速率相对较慢。
(2) 实用场景：
- 高精度要求的使命，如安全监控
 、医学影像分析等。
(3) 权重文件：yolov6l.pt
5.YOLOv6-N6 (Nano with 1280x1280 input)
(1) 特点：
- 极轻量级模子，但输入分辨率进步到 1280x1280，进步了精度。
- 推理速率仍然较快。
(2) 实用场景：
(3) 权重文件：yolov6n6.pt
6.YOLOv6-S6 (Small with 1280x1280 input)
(1) 特点：
- 较小的模子巨细，输入分辨率进步到 1280x1280，进步了精度。
- 推理速率较快。
(2) 实用场景：
(3) 权重文件：yolov6s6.pt
7.YOLOv6-M6 (Medium with 1280x1280 input)
(1) 特点：
- 模子巨细介于 Small 和 Large 之间，输入分辨率进步到 1280x1280，进步了精度。
- 精度和速率的均衡较好。
(2) 实用场景：
(3) 权重文件：yolov6m6.pt
8.YOLOv6-L6 (Large with 1280x1280 input)
(1) 特点：
- 较大的模子巨细，输入分辨率进步到 1280x1280，具有最高的精度。
- 推理速率最慢。
(2) 实用场景：
- 必要最高精度的场景，如科学研究、高精度工业检测等。
(3) 权重文件：yolov6l6.pt
选择符合的模子
选择符合的 YOLOv6 模子取决于您的详细需求：
- 资源限定：如果装备资源有限，选择 Nano 或 Small。
- 精度要求：如果必要高精度，选择 Large 或 L6。
- 速率要求：如果必要快速推理，选择 Nano 或 Small。
- 通用用途：如果必要均衡精度和速率，选择 Medium 或 M6。
在YOLOv6目次下新建一个weights文件夹，把下载的权重模子放到该文件夹下：
1.4 环境测试
环境摆设预备好之后，实验推理，测试环境是否摆设乐成。
在YOLOv6目次下运行如下代码：
可以看到推理效果存放到runs/inference/exp文件夹下的，即进入该文件夹下（/YOLOv6/runs/inference/exp/images/），可以看到如下推理效果，表现环境预备乐成，接下来就可以举行模子练习了。
2、设置文件和数据集预备
2.1 预备数据集
YOLOv6 支持多种格式的数据集，可以YOLO、COCO、VOC等格式的数据集，本次实验我采取的YOLO格式的数据集，YOLO数据集制作参考：数据标注，参考这篇文章的的“一、数据标注篇”下的“2、数据标注与处置惩罚”的“2.1 图像标注部门”，将图片和标注文件，按照如下布局举行放置：
- datasets/
- ├── images/
- │ ├── train/
- │ │ ├── image1.jpg
- │ │ ├── image2.jpg
- │ │ └── ...
- │ ├── val/
- │ │ ├── image1.jpg
- │ │ ├── image2.jpg
- │ │ └── ...
- │ └── test/
- │ ├── image1.jpg
- │ ├── image2.jpg
- │ └── ...
- ├── labels/
- │ ├── train/
- │ │ ├── image1.txt
- │ │ ├── image2.txt
- │ │ └── ...
- │ ├── val/
- │ │ ├── image1.txt
- │ │ ├── image2.txt
- │ │ └── ...
我的实验基于牛马的目的检测，故我的数据是牛和马的数据集，因此我的目的检测的种别是2，对应的标署名称为：cow(牛)、马(horse)。
在如下路径下设置文件:/YOLOv6/data/dataset.yaml，设置文件修改如下：
2.3 BUG修改
YOLOv6模子还是有一个BUG的，不知道是，什么时间可以修复，就是模子练习的时间找不到YOLOv6模子，实验的时间，这一步可以先跳过，直接去练习，如果练习不报这个错误的话就不消管。
如果练习报错，说找不到什么文件的话，就将下列代码复制到YOLOv6/tools/目次下的train.py的文件里，目的是将YOLOv6 的路径添加到train.py文件中，如下图：
- import sys
- sys.path.insert(0, '/mnt/workspace/YOLO系列/YOLOv6')
3、模子练习
3.1 模子练习
环境、依靠、数据集、设置文件等预备好后，接下来就是举行模子练习。
- python tools/train.py --batch 32 --epochs 30 --conf configs/yolov6s_finetune.py --data data/dataset.yaml --fuse_ab
1.--batch 32
- 分析：设置批量巨细（batch size）。
- 作用：批量巨细决定了每次前向传播和反向传播处置惩罚的样本数量。较大的批量巨细可以使用 GPU 的并行盘算本事，但会占用更多的内存。
- 默认值：通常默认值为 16 或 32，详细取决于硬件设置。
2.--epochs 30
- 分析：设置练习的轮数（epochs）。
- 作用：每个 epoch 表现整个练习数据集被遍历一次。增长 epochs 数量可以进步模子的练习效果，但也大概增长过拟合的风险。
- 默认值：通常默认值为 100 或更高，详细取决于使命的复杂性和数据集的巨细。
3.--conf configs/yolov6s_finetune.py
- 分析：指定设置文件的路径。
- 作用：设置文件包罗模子的架构、优化器设置、学习率调理等告急参数。yolov6s_finetune.py 是一个用于微调的设置文件。
- 默认值：没有默认值，必须指定。
4.--data data/dataset.yaml
- 分析：指定命据集设置文件的路径。
- 作用：数据集设置文件界说了练习、验证和测试数据集的路径以及种别信息。dataset.yaml 文件通常包罗图像路径和标签路径。
- 默认值：没有默认值，必须指定。
5.--fuse_ab
- 分析：启用融合利用（fuse operation）。
- 作用：融合利用可以优化模子的性能，特别是在推理阶段。--fuse_ab 参数通常用于优化模子的卷积层。
- 默认值：通常默认环境下不启用，必要手动添加此参数。
模子练习过程如下：
模子练习完成：
3.2 练习效果先容
上图可以看出模子练习完成后，将练习的效果存放到runs/train/exp目次下，进入到该目次下，如下：
该目次下有一个weights权重文件，内里存放的练习好的模子权重：
在 YOLOv6 模子练习过程中，通常会天生多个权重文件，此中最常见的两个是 best_ckpt.pt 和 last_ckpt.pt。这两个文件有差别的用途和寄义：
（1）. best_ckpt.pt
- 分析：这是在整个练习过程中体现最好的模子权重文件。
- 选择标准：通常根据验证集上的某个评估指标（如 mAP，即均匀精度均值）来选择最佳模子。当某个 epoch 的验证集性能到达最优时，模子的权重会被生存为 best_ckpt.pt。
- 用途：用于终极的模子摆设和测试。由于这是在验证集上体现最好的模子，以是通常会选择它作为终极模子。
（2）. last_ckpt.pt
- 分析：这是练习竣事时末了一个 epoch 的模子权重文件。
- 选择标准：无论末了一个 epoch 的验证集性能怎样，都会生存这个模子的权重。
- 用途：用于继续练习或举行进一步的微调。如果练习过程制止，可以使用 last_ckpt.pt 从末了一个 epoch 继续练习。
（3）区别总结
- 最佳性能 vs 最新状态：
- best_ckpt.pt 是在验证集上体现最好的模子，通常用于终极的模子摆设和测试。
- last_ckpt.pt 是练习竣事时的最新模子，通常用于继续练习或微调。
综上所述，best_ckpt.pt是练习过程中体现最好的模子，故后续的模子评估和模子推理摆设都用改模子。
4、模子评估与推理
4.1 模子评估
接下来是用练习好的最佳的权重模子best_ckpt.pt模子举行模子评估：
- python tools/eval.py --data data/dataset.yaml --batch 32 --weights ./runs/train/exp1/weights/best_ckpt.pt --task val
（1）--data data/dataset.yaml
- 分析：指定命据集设置文件的路径。
- 作用：数据集设置文件界说了练习、验证和测试数据集的路径以及种别信息。dataset.yaml 文件通常包罗图像路径和标签路径。
（2）--batch 32
- 分析：设置批量巨细（batch size）。
- 作用：批量巨细决定了每次前向传播处置惩罚的样本数量。较大的批量巨细可以使用 GPU 的并行盘算本事，但会占用更多的内存。
（3）--weights runs/train/exp1/weights/best_ckpt.pt
- 分析：指定模子权重文件的路径。
- 作用：模子权重文件包罗练习好的模子参数。在这里，您指定了 best_ckpt.pt 文件，这是在验证集上体现最好的模子权重。
（4）--task val
- 分析：指定使命范例。
- 作用：val 表现在验证集上举行评估。其他大概的值包罗 test（在测试集上举行评估）。
（5）模子评估过程截图示例：
如上图，模子评估后效果存放到runs/val/exp目次下，进入到该目次就可以看到模子评估的效果了。
4.2 模子推理
接下来是模子推理，模子推理如下：
- python tools/infer.py --weights ./runs/train/exp1/weights/best_ckpt.pt --source ./data/datasets/images/test
（1）--weights runs/train/exp1/weights/best_ckpt.pt
- 分析：指定模子权重文件的路径。
- 作用：模子权重文件包罗练习好的模子参数。在这里，您指定了 best_ckpt.pt 文件，这是在验证集上体现最好的模子权重。
（2）--source data/datasets/images/test
- 分析：指定输入数据的路径。
- 作用：输入数据可以是单个图像文件、目次中的多个图像文件或视频文件。在这里，您指定了一个包罗测试图像的目次。
（3）模子推理过程如下：
模子推测乐成后，如上图，推测效果存放到runs/inference/exp目次下，进入该目次，就可以看到推测的效果，推测的效果部门示比方下:
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！qidao123.com:ToB企服之家，中国第一个企服评测及软件市场,开放入驻,技术点评得现金 |
发表于 2025-12-19 07:03:04
