YOLO系列目标检测算法-YOLOv6
YOLO系列目标检测算法目录
- YOLO系列目标检测算法总结对比
- YOLOv1
- YOLOv2
- YOLOv3
- YOLOv4
- Scaled-YOLOv4
- YOLOv5- 文章链接
- YOLOv6- 文章链接
- YOLOv7- 文章链接
本文总结：
- Backbone设计：多分支比单分支性能好但耗时增加，借鉴RepVGG思路提出EfficientRep。对于小型模型，训练部分使用RepBlock，推理时合并多分支为RepConv。对于大型模型，直接扩展RepBlock会造成计算成本指数级增长，于是提出了SCPStackRep Block，用在训练部分，在推理时合并成RepConv堆。
- Neck设计：借鉴YOLOv4/v5的PAN，提出了Rep-PAN，将PAN的CSPBlock替换为RepBlock(小型模型)或者CSPStackBlock(大型模型)，可根据需求调整相应的宽度和深度。
- Head设计：采用decoupled head(表示为DH）+ anchor-free + hybrid channel(HC)形式。
- 激活函数SiLU精度高成本低，但部署有TensorRT时ReLU有更大的速度优势，最终选择使用RepConv/ReLU在YOLOv6-N/T/S/M中，用于更高的推理速度；在大型型号YOLOv6-L中使用Conv/SiLU组合加速训练并提高性能。
- 采用ATSS作为训练初期阶段的warm-up标签分配策略，之后使用TAL进行标签分配。
- 分类loss使用VariFocal Loss（VFL）；对于框回归，YOLOv6-N和YOLOv 6-T使用SIoU Loss，其余使用GIoU Loss，另外YOLOv6-M/L中加入Dostronition Focal Loss（DFL）；取消Object Loss。
- 更多的训练轮次能得到更好的收敛效果，所以训练周期采用400个epoch。
- 推理时图片resize操作会在四周填充灰色的padding，这种操作有助于检测图像边缘目标，但会降低推理速度。发现这可能和训练时的Mosaic数据增强有关，实验结果表明，当在训练最后一轮关闭Mosaic(称为fade strategy)，使用灰度边界填充会达到最佳效果。
- 训练后量化（post-training quantization,PTQ）和量化感知训练（quantization-aware training,QAT）。
YOLOv6各算法中各部件总结如下：
| 算法名称 | Backbone | Neck | Head | 卷积/激活函数 | cls loss | reg loss | 深度系数 | 宽度系数 | 标签分配 | epochs |
| YOLOv6n | EfficientRep | RepPANNeck | EffiDeHead | RepConv/ReLU | VFL | SIoU DFL=False |
0.33 | 0.25 | 3epoch前:ATSS 其他epoch:TAL |
400 |
| YOLOv6t | EfficientRep | RepPANNeck | EffiDeHead | RepConv/ReLU | VFL | SIoU DFL=False |
0.33 | 0.375 | 3epoch前:ATSS 其他epoch:TAL |
400 |
| YOLOv6s | EfficientRep | RepPANNeck | EffiDeHead | RepConv/ReLU | VFL | GIoU DFL=False |
0.33 | 0.50 | 3epoch前:ATSS 其他epoch:TAL |
400 |
| YOLOv6m | CSPRepBackbone (csp_e=2/3) |
CSPRepPANNeck (csp_e=2/3) |
EffiDeHead | RepConv/ReLU | VFL | GIoU DFL=True |
0.60 | 0.75 | 3epoch前:ATSS 其他epoch:TAL |
400 |
| YOLOv6l | CSPRepBackbone (csp_e=1/2) |
CSPRepPANNeck (csp_e=1/2) |
EffiDeHead | Conv/SiLU | VFL | GIoU DFL=True |
1.0 | 1.0 | 3epoch前:ATSS 其他epoch:TAL |
400 |
深度学习知识点总结
专栏链接:
https://blog.csdn.net/qq_39707285/article/details/124005405
此专栏主要总结深度学习中的知识点，从各大数据集比赛开始，介绍历年冠军算法；同时总结深度学习中重要的知识点，包括损失函数、优化器、各种经典算法、各种算法的优化策略Bag of Freebies (BoF)等。
本章目录
- 8. YOLO系列目标检测算法-YOLOv6
-
- 8.1 概述
- 8.2 YOLO系列问题分析及解决
-
- 8.2.1 问题分析
- 8.2.2 解决办法
- 8.3 关键技术介绍
-
- 8.3.1 网络设计
-
- 8.3.1.1 backbone
- 8.3.1.2 neck
- 8.3.1.3 head
- 8.3.1.4 实验
-
- 8.3.1.4.1 backbone和neck
- 8.3.1.4.2 卷积层和激活函数的组合
- 8.3.1.4.3 其他设计
- 8.3.2 标签分配
- 8.3.3 损失函数
-
- 8.3.3.1 Classification Loss
- 8.3.3.2 Box Regression Loss
- 8.3.3.3 Object Loss
- 8.3.4 工业便利化改进(Industry-handy improvements)
-
- 8.3.4.1 更多的训练轮次
- 8.3.4.2 自蒸馏
- 8.3.4.3 图像的灰度边界(Gray border of images)
- 8.3.4.4 量化和部署
-
- 8.3.4.4.1 重参数化优化器
- 8.3.4.4.2 Sensitivity Analysis
- 8.3.4.4.3 基于通道蒸馏的量化感知训练
- 8.3.5 结论
8. YOLO系列目标检测算法-YOLOv6
论文《YOLOv6: A Single-Stage Object Detection Framework for Industrial Applications》2022.9.7。
8.1 概述
YOLOv6 是美团视觉智能部研发的一款目标检测框架，致力于工业应用。本框架同时专注于检测的精度和推理效率，在工业界常用的尺寸模型中：YOLOv6-nano 在 COCO 上精度可达 35.0% AP，在 T4 上推理速度可达 1242 FPS；YOLOv6-s 在 COCO 上精度可达 43.1% AP，在 T4 上推理速度可达 520 FPS。在部署方面，YOLOv6 支持 GPU（TensorRT）、CPU（OPENVINO）、ARM（MNN、TNN、NCNN）等不同平台的部署，极大地简化工程部署时的适配工作。目前，项目已开源至Github，传送门：YOLOv6。
精度与速度远超 YOLOv5 和 YOLOX 的新框架。目标检测作为计算机视觉领域的一项基础性技术，在工业界得到了广泛的应用，其中 YOLO 系列算法因其较好的综合性能，逐渐成为大多数工业应用时的首选框架。至今，业界已衍生出许多 YOLO 检测框架，其中以 YOLOv5、YOLOX 和 PP-YOLOE最具代表性，但在实际使用中，我们发现上述框架在速度和精度方面仍有很大的提升的空间。基于此，我们通过研究并借鉴了业界已有的先进技术，开发了一套新的目标检测框架——YOLOv6。该框架支持模型训练、推理及多平台部署等全链条的工业应用需求，并在网络结构、训练策略等算法层面进行了多项改进和优化，在 COCO 数据集上，YOLOv6 在精度和速度方面均超越其他同体量算法，相关结果如下图 1 所示：
上图展示了不同尺寸网络下各检测算法的性能对比，曲线上的点分别表示该检测算法在不同尺寸网络下（s/tiny/nano）的模型性能，从图中可以看到，YOLOv6 在精度和速度方面均超越其他 YOLO 系列同体量算法。
上图展示了输入分辨率变化时各检测网络模型的性能对比，曲线上的点从左往右分别表示图像分辨率依次增大时（384/448/512/576/640）该模型的性能，从图中可以看到，YOLOv6 在不同分辨率下，仍然保持较大的性能优势。
本小节《概述》转自URL
8.2 YOLO系列问题分析及解决
8.2.1 问题分析
根据经验分析以往YOLO系列及最新算法，观察到了几个重要因素，这些因素促使重新完善YOLO框架：
- RepVGG的重参数化算法是一种优越的技术，尚未在检测中得到充分利用。而且，RepVGG Block的模型缩放不切实际，本文认为小型和大型网络之间的网络设计保持一致是不必要的。普通单路径架构对于小型网络是更好的选择，但是对于更大的模型，参数的指数增长和单路径架构的计算成本使其不可行；
- 基于重参数化的检测器的量化也需要细致的处理，否则，由于其在训练和推理期间的不同处理，很难处理性能退化的问题。
- 以前的算法[YOLOX，YOLOv5，YOLOv7，PP-YOLOE]较少 关注部署，其延迟通常在高成本机器（如V100）上进行比较。在实际服务环境中，存在硬件差距。
- 先进的特定策略，如 标签分配和 损失函数设计，考虑到架构差异，需要进一步验证使用；
- 对于 部署，可以 对训练策略进行调整，以提高准确性性能，但不增加推理成本，如 知识蒸馏。
8.2.2 解决办法
通过对以上问题的分析，提出了YOLOv6，在精度和速度方面实现了迄今为止最好的折衷。另外为了提高推理速度而不使性能有有太多退化，研究了最前沿的量化方法，包括 训练后量化（post-training quantization,PTQ）和 量化感知训练（quantization-aware training,QAT），并将其整合在YOLOv6中。
YOLOv6的关键点总结如下：
- 为不同场景中的工业应用量身定制了一系列不同规模的网络。不同规模的架构各不相同，以实现最佳的速度和精度权衡，其中小型模型采用简单的单路径backbone，大型模型构建在高效的多分支块上。
- 为YOLOv6在分类任务和回归任务中都加入了自蒸馏策略。同时，动态调整来自teacher和标签的信息，以帮助student模型能在所有训练阶段更有效地学习知识。
- 广泛验证了比较先进的技术，例如 标签分配、损失函数和数据增强技术等，并 有选择地采用它们以进一步提高性能。
- 在 RepOptimizer优化器和 通道蒸馏的帮助下，对检测任务的量化方案进行了改革，得到了一个具有43.3%COCO AP和869FPS吞吐量的快速准确检测器(batchsize为32)。
8.3 关键技术介绍
YOLOv6主要从以下几个方面进行改进， 网络设计、标签分配、损失函数、数据增强、工业便利化改进、量化和部署。
8.3.1 网络设计
一阶段目标检测算法通常由 backbone、 neck和 head组成。
backbone主要决定特征表示能力，同时，其设计对推理效率有着至关重要的影响，因为它承担了大量的计算成本。
neck用于将低层物理特征与高层语义特征聚合，然后在各级建立金字塔特征图。
head由多个卷积层组成，并根据neck部的多级特征预测最终检测结果。从结构的角度来看，它可以分为anchor-based和anchor-free，或者更确切地说，分为参数耦合head和参数解耦head。
在YOLOv6中，提出了 两个缩放的可重参数化backbone和neck，以适应不同尺寸的模型，以及一个 具有混合通道(hybrid-channel)策略的高效解耦head(decoupled head)。总体结构图如图2所示。
8.3.1.1 backbone
backbone的设计中，多分支的网络(ResNet,DenseNet,GoogLeNet,)相比单分支(ImageNet,VGG)的通常能够有更好的分类性能。但是，它通常伴随着并行性的降低，并导致推理延迟的增加。相反，像VGG这样的普通单路径网络具有高并行性和较少内存占用的优点，从而导致更高的推理效率。最近在 RepVGG中，提出了一种结构重参数化方法，将训练时多分支拓扑与推理时平面结构解耦(训练时是多分支，推理时转化为单分支)，以实现更好的速度-精度权衡。
RepVGG融合过程如下图所示：
根据以上分析的鼓舞，设计了一个高效的重参数化的backbone，命名为 EfficientRep。对于 小型模型，backbone的主要组成部分是训练阶段的 RepBlock，如图3（a）所示。并且在 推理阶段，每个RepBlock被转换为具有ReLU激活函数的3×3卷积层的堆叠（表示为 RepConv），如图3（b）所示。通常，3×3卷积在主流GPU和CPU上高度优化，并且具有更高的计算密度。因此，主干网的效率是充分的利用硬件的计算能力，从而显著降低了推理延迟，同时增强了表示能力。
然而，我们注意到，随着模型尺寸的进一步扩展，单路径普通网络的计算成本和参数数量呈指数增长。为了更好地平衡计算成本和准确性，修改了 CSPStackRep Block以构建中大型网络的backbone。如图3（c）所示， CSPStackRep Block由三个1×1卷积层和由两个具有残差连接的RepVGG block(训练阶段)或RepConv(推理阶段)组成的子块堆叠组成。此外，采用了CSP来提高性能，而不需要过多的计算成本。与CSPRepResStage(PP-YOLOE)相比，它具有更简洁的外观，并考虑了准确性和速度之间的平衡。
EfficientRep Backbone具体设计结构图如下图所示：
该插图转自URL
8.3.1.2 neck
采用来自YOLOv4和YOLOv5的改进的 PAN结构作为我们检测neck的基础。此外，将YOLOv5中使用的 CSPBlock替换为RepBlock（适用于小型模型）或CSPStackRep Block（用于大型模型），并相应调整宽度和深度。YOLOv6的neck表示为 Rep-PAN。结构图如下图所示：
该插图转自URL
8.3.1.3 head
Efficient decoupled head：YOLOv5的检测头是一个耦合头，在分类和定位分支之间共享参数，而FCOS和YOLOX中的对应部分将两个分支解耦，并在每个分支中引入另外两个3×3卷积层以提高性能。
在YOLOv6中，采用了一种 混合通道(hybrid-channel)策略，以构建更高效的解耦头。具体而言，将中间3×3卷积层的数量减少到只有一个。head的宽度由backbone和neck的宽度乘数共同缩放。这些修改进一步降低了计算成本，以实现更低的推理延迟。
Anchor-free：anchor-free检测器因其更好的泛化能力和解码预测结果的简单性而脱颖而出。其后处理的时间成本显著降低。有两种类型的anchor-free检测器：point-based(YOLOX,FCOS)和keypoing-based(CenterNet)。在YOLOv6中，采用了 anchor-free point-based范式。
8.3.1.4 实验
8.3.1.4.1 backbone和neck
探讨了单路径结构和多分支结构对backbone和neck的影响，以及CSPStackRep块的通道系数（channel coefficient表示为CC）。本节实验所有模型均采用TAL作为标签分配策略，VFL作为分类损失，GIoU和DFL作为回归损失。结果如表2所示。
从结果可以发现，不同规模的模型的最佳网络结构应该用不同的解决方案。
对于 YOLOv6-N，单路径结构在精度和速度方面都优于多分支结构。尽管单路径结构具有比多分支结构更多的FLOPs和参数，由于相对较低的内存占用和较高的并行度，它也可以运行的更快。
对于 YOLOv6-S，这两种block的结果差不多。当涉及到更大的模型时，多分支结构在精度和速度上实现了更好的性能。最后，为 YOLOv6-M选择通道系数为 2/3的多分支，为 YOLOv6-L选择通道系数 1/2的多分支。
此外，还研究了neck的宽度和深度对YOLOv6-L的影响。表3中的结果表明， 在相同速度下，细长neck的性能比宽浅neck好0.2%。
8.3.1.4.2 卷积层和激活函数的组合
YOLO系列激活函数各不相同，如ReLU、LReLU、Swish、SiLU、Mish等。在这些激活函数中，SiLU是使用最多的。一般来说，SiLU的精度更高，不会造成太多额外的计算成本。然而，在工业应用中，特别是在部署具有TensorRT加速的模型时，ReLU具有更大的速度优势，因为它融合到了卷积中。
此外，进一步验证了RepConv/普通卷积（表示为Conv）和ReLU/SiLU/LReLU组合在不同大小网络中的有效性，以实现更好的折衷。如表4所示，带有SiLU的Conv在精度上表现最佳， 而RepConv和ReLU的组合实现了更好的权衡。所以建议用户在 对延迟敏感的应用程序中使用RepConv和ReLU。
本文选择 使用RepConv/ReLU在YOLOv6-N/T/S/M中，用于更高的推理速度；在大型型号 YOLOv6-L中使用Conv/SiLU组合加速训练并提高性能。
8.3.1.4.3 其他设计
选择YOLOv5-N作为基线，并逐步添加其他组件。结果如表5所示。
- 使用 解耦头（decoupled head,表示为DH），模型精度提高了1.4%，时间成本增加了5%。
- 使用 anchor-free模式比anchor-based的快51%，因为其少3倍多的预定义锚，这样输出的维度就更少。
- backbone（ EfficientRep backbone）和neck（ Rep-PAN-neck）的统一修改（表示为 EB+RN）带来了3.6%的AP改进，运行速度提高了21%。最后，优化的解耦头（hybrid channel,混合通道，HC）在精度和速度上分别提高了0.2%的AP和6.8%的FPS。
8.3.2 标签分配
标签分配负责在训练阶段将标签分配给预定义的anchors。以前的算法提出的各种标签分配策略，从简单的基于IoU的策略和内部GT方法(FCOS)到其他更复杂的方案。(随后会有专门一遍文章来讲标签分配。)接下来介绍SimOTA和Task alignment learning。
SimOTA：OTA将目标检测中的标签分配视为最佳传输的问题。它从全局角度定义了每个GT目标的正/负训练样本。SimOTA是OTA的简化版本，它减少了额外的超参数并保持了性能。在YOLOv6的早期版本中，SimOTA被用作标签分配方法。然而，在实践中，发现引入SimOTA会减缓训练过程。而且，陷入不稳定训练的情况经常出现。因此，本文设计了一个 SimOTA的替代品。
Task alignment learning：任务对齐学习（TAL）在TOOD中首次提出，其中设计了分类分数和预测框质量的统一度量。IoU度量被替换为分配目标标签。在一定程度上，任务（分类和框回归）的错位问题得到了缓解。TOOD的另一个主要贡献是关于 任务对齐头（task-aligned head,T-head）。T-head堆叠卷积层以构建交互特征，在其上使用任务对齐预测器（Task-Aligned-Predictor,TAP）。PP-YOLOE通过将T-head中的层注意力替换为轻量级ESE attention，形成ET-head。然而，我们发现ET-head会降低我们模型中的推理速度，并且不会带来精度增益。因此，我们保留了高效去耦头的设计。
此外，我们观察到TAL比SimOTA能带来更多的性能改进，并能稳定训练。因此，我们 采用TAL作为YOLOv6中的默认标签分配策略。
在表6中，分析了主流标签分配策略的有效性。在YOLOv6N上进行了实验。如预期的，可以观察到SimOTA和TAL是最佳两种策略。与ATSS相比，SimOTA可使AP增加2.0%，TAL可使AP比SimOTA高0.5%。考虑到TAL的稳定训练和更好的精度性能，我们 采用TAL作为标签分配策略。
此外，TOOD的实现采用ATSS作为早期训练阶段的warm-up标签分配策略。我们还保留了warm-up策略，并对其进行了进一步的探索。详细信息如表7所示，可以发现，在没有warm-up或通过其他策略（即SimOTA）预热的情况下，它也可以实现类似的性能。
8.3.3 损失函数
详细的损失函数介绍详见文章《深度学习知识点总结：损失函数总结_Mr.小梅的博客-CSDN博客_深度学习损失函数总结》。
目标检测包括两个自任务：分类和定位，对应于两个损失函数：classification loss和box regression loss。对于每个子任务，近年来提出了各种损失函数。在本节中，将介绍这些损失函数，并描述如何为YOLOv6选择最佳损失函数。
在目标检测框架中，损失函数由分类损失、框回归损失和可选对象损失组成，其可公式如下：
其中L_cls、L_reg和L_obj分别分类损失、回归损失和对象损失。λ和µ是超参数。
8.3.3.1 Classification Loss
改进分类器的性能是优化检测器的关键部分。Focal Loss修改了传统的交叉熵损失，以解决正负样本或难易样本之间的类不平衡问题。为了解决训练和推理之间质量估计和分类的不一致使用，Quality Focal Loss（QFL）进一步扩展了Focal Loss，将分类分数和本地化质量联合表示用于分类监督。而VariFocal Loss（VFL）源于Focal Loss，但它不对称地处理正样本和负样本。通过考虑不同重要程度的正样本和负样本，它平衡了来自两个样本的学习信号。Poly Loss将常用的分类损失分解为一系列加权多项式基。它在不同的任务和数据集上调整多项式系数，通过实验证明其优于交叉熵损失和Focal Loss。
评估了YOLOv6上的所有高级分类损失，以 最终采用VFL(VariFocal Loss)。
在YOLOv6-N/S/M上实验了Focal Los、Polyloss、QFL和VFL。如表8所示，与Focal Loss相比，VFL对YOLOv6-N/S/M分别带来0.2%/0.3%/0.1%的AP改善。所以，本文选择 VFL作为分类损失函数。
8.3.3.2 Box Regression Loss
框回归损失为精确定位边界盒提供了重要的学习信号。L1 Loss是早期工作中的原始框回归损失。逐渐地，各种精心设计的框回归损失如IoU系列Loss和Probability Loss如雨后春笋般涌现。
IoU-series Loss： IoU Loss将预测框的四个边界作为一个整体单位进行回归。由于其与评价指标的一致性，已被证明是有效的。IoU有许多变体，如GIoU、DIoU、CIoU、α-IoU和SIoU等，形成相关损失函数。对GIoU、CIoU和SIoU进行了实验。 SIoU应用于YOLOv6-N和YOLOV 6-T，而其他的使用GIoU。
IoU系列损失函数和概率损失函数都在YOLOv6-N/S/M上进行了实验。最新的IoU系列损失函数用于YOLOv6N/S/M。表9中的实验结果表明，对于 YOLOv6-N和YOLOv 6-T，SIoU Loss优于其他Loss，而对于 YOLOv6-M，CIoU Loss表现更好。
**Probability Loss：Dostronition Focal Loss（DFL）将框位置的基本连续分布简化为离散化概率分布。**它考虑了数据中的模糊性和不确定性，而不引入任何其他先验，这有助于提高框定位精度，特别是当GT框的边界模糊时。基于DFL，DFLv2开发了一个轻量级子网络，以利用分布统计和实际定位质量之间的密切相关性，进一步提高检测性能。然而，DFL通常输出比一般盒回归多17倍的回归值，导致大量开销。额外的计算成本显著阻碍了小模型的训练。而DFLv2由于额外的子网络而进一步增加了计算负担。在本文的实验中，DFLv2在我们的模型上带来了与DFL类似的性能增益。因此，我们 仅在YOLOv6-M/L中采用DFL。
对于概率损失，如表10所示，对于YOLOv6-N/S/M，引入DFL可分别获得0.2%/0.1%/0.2%的性能增益。然而，对于小模型，推理速度受到很大影响。因此， DFL仅在YOLOv6-M/L中引入。
8.3.3.3 Object Loss
FCOS中首次提出了Object Loss，以降低低质量边界框的分数，以便在后处理中过滤掉它们。在YOLOX中也使用了它来加速收敛并提高网络精度。作为一个像FCOS和YOLOX这样的anchor-free框架，本文尝试将Object Loss引入YOLOv6。不幸的是，它没有带来很多积极的效果。
如表11所示，还对YOLOv6进行了Object Loss实验。从表11可以看出，Object Loss对YOLOv6-N/S/M网络有负面影响，其中最大减少量为1.1%。负增益可能来自TAL中Object分支和其他两个分支之间的冲突。具体地说，在训练阶段，预测框和GT之间的IoU以及分类分数被用于共同构建度量作为分配标签的标准。引入的Object分支将要对齐的任务的数量从两个扩展到三个，这显然增加了难度。基于实验结果和该分析，然后在 YOLOv6中去除Object Loss。
8.3.4 工业便利化改进(Industry-handy improvements)
下面的技巧可以在实际实践中使用。它们不是为了进行实验比较，而是在没有太多繁琐的工作的情况下稳定地产生性能增益。
8.3.4.1 更多的训练轮次
实验结果表明， 随着训练时间的增加，检测器的性能不断提高。我们将训练时间从300个周期延长到400个周期，以达到更好的收敛。
在实践中，更多的训练周期是进一步提高准确性的简单而有效的方法。表12显示了针对300和400个epochs训练的小型模型的结果。可以观察到，针对更长时间epoch的训练分别用于YOLOv6-N、T和S，显著提高了AP 0.4%、0.6%和0.5%。考虑到可接受的成本和产生的增益，对于YOLOv6， 训练400个epochs是更好的收敛方案。
8.3.4.2 自蒸馏
8.3.4.3 图像的灰度边界(Gray border of images)
注意到，在评估YOLOv5和YOLOv7中的模型性能时，在每个图像周围放置了half-stride灰色边界（就是resize图片时四周填充了灰度的padding）。虽然没有添加有用的信息，但它有助于检测图像边缘附近的对象。这个技巧也适用于YOLOv6。
然而，额外的灰度像素明显降低了推理速度。如果没有灰色边界，YOLOv6的性能会恶化，这也是YOLOv5和YOLOv7中遇到的情况。我们假设该问题与Mosaic增强中的灰色边界填充有关。为了验证，进行了在最后一个epoch时关闭Mosaic增强的实验（又名衰退策略,fade strategy）。在这方面，我们改变了灰度边界的面积，并将具有灰度边界的图像直接调整为目标图像大小。结合这两种策略，我们的模型可以在不降低推理速度的情况下保持甚至提高性能。
实验结果如表14所示。在这些实验中，YOLOv6-N和YOLOV-S训练400个周期，YOLOv6-M训练300个周期。可以观察到，当去除灰色边界时，在没有 关闭Mosaic衰落策略的情况下，YOLOv6-N/S/M的精度降低了0.4%/0.5%/0.7%。然而，当关闭Mosaic衰落策略时，性能退化变为0.2%/0.5%/0.5%。可以发现，一方面，性能下降的问题得到了缓解。另一方面，无论是否填充灰色边界，小模型（YOLOv6-N/S）的精度都会提高。
将输入图像限制为634×634，并在边缘周围添加3像素宽的灰色边界。使用该策略，最终图像的大小为预期的640×640。表14中的结果表明，当最终图像尺寸从672减小到640时，YOLOv6-N/S/M的最终性能甚至更精确0.2%/0.3%/0.1%。
8.3.4.4 量化和部署
对于工业部署，通常采用量化来进一步加快运行时间，而不会影响性能。 训练后量化（post-training,PTQ）仅使用小的校准集直接量化模型。而 量化感知训练（quantization-aware training,QAT）使用训练集，其通常与蒸馏联合使用，进一步提高了性能。然而，由于在YOLOv6中大量使用了重参数化块，先前的PTQ技术无法产生高性能，而在训练和推理期间匹配伪量化器时，很难结合QAT。接下来介绍部署过程中的陷阱和解决方法。
8.3.4.4.1 重参数化优化器
RepOptimizer提议在每个step中进行梯度重参数化。该技术很好地解决了基于重参数化的模型的量化问题。因此，本文以这种方式重建了YOLOv6的重参数化Block，并使用RepOptimizer优化器对其进行训练，以获得PTQ-friendly权重。特征图的分布大大缩小（如图6），这大大利于量化过程。
8.3.4.4.2 Sensitivity Analysis
通过将量化敏感操作部分转换为浮点计算，进一步提高了PTQ性能。为了获得灵敏度分布，通常使用几种度量，均方误差（MSE）、信噪比（SNR）和余弦相似性。通常，为了进行比较，可以选择输出特征映射（在激活某一层之后）来计算这些度量，包括量化和不量化。作为替代方案，也可以通过打开和关闭特定层的量化来计算验证AP。
8.3.4.4.3 基于通道蒸馏的量化感知训练
在PTQ不足的情况下，本文提出使用 量化感知训练（quantization-aware training,QAT）来提高量化性能。为了解决训练和推理过程中伪量化器的不一致性问题，有必要 在RepOptimizer优化器上建立QAT。此外，如图5所示，在YOLOv6框架内采用了 通道式蒸馏（后来称为CW蒸馏）。这也是一种自蒸馏方法，其中teacher网络是FP32精度中的student本身。
8.3.5 结论
简而言之，考虑到持续的工业需求，提出了YOLOv6，仔细分析了迄今为止目标检测器组件的所有进步。结果在精度和速度上都超过了其他可用的实时目标检测器。为了便于工业部署，还为YOLOv6提供了一种定制的量化方法，从而提供了前所未有的快速检测器。