[논문 리뷰] YOLOv6: A Single-Stage Object Detection Framework for Industrial Applications

Chuyi Li, Lulu Li외 16명|arXiv (Cornell University)|2022. 09. 07.

Advanced Neural Network Applications인용 수 1,733

한 줄 요약

YOLOv6은 산업용으로 특화된 경량 단일단계 검출기 가족을 제공하며, 재파라미터화 가능한 블록을 가진 백본/네크, 디커플링된 헤드, TAL 라벨 할당, 고급 손실, 자기 증류, 양자화 전략을 통해 다수 모델 규모에서 최첨단 속도-정확도 균형을 달성합니다.

ABSTRACT

For years, the YOLO series has been the de facto industry-level standard for efficient object detection. The YOLO community has prospered overwhelmingly to enrich its use in a multitude of hardware platforms and abundant scenarios. In this technical report, we strive to push its limits to the next level, stepping forward with an unwavering mindset for industry application. Considering the diverse requirements for speed and accuracy in the real environment, we extensively examine the up-to-date object detection advancements either from industry or academia. Specifically, we heavily assimilate ideas from recent network design, training strategies, testing techniques, quantization, and optimization methods. On top of this, we integrate our thoughts and practice to build a suite of deployment-ready networks at various scales to accommodate diversified use cases. With the generous permission of YOLO authors, we name it YOLOv6. We also express our warm welcome to users and contributors for further enhancement. For a glimpse of performance, our YOLOv6-N hits 35.9% AP on the COCO dataset at a throughput of 1234 FPS on an NVIDIA Tesla T4 GPU. YOLOv6-S strikes 43.5% AP at 495 FPS, outperforming other mainstream detectors at the same scale~(YOLOv5-S, YOLOX-S, and PPYOLOE-S). Our quantized version of YOLOv6-S even brings a new state-of-the-art 43.3% AP at 869 FPS. Furthermore, YOLOv6-M/L also achieves better accuracy performance (i.e., 49.5%/52.3%) than other detectors with a similar inference speed. We carefully conducted experiments to validate the effectiveness of each component. Our code is made available at https://github.com/meituan/YOLOv6.

연구 동기 및 목표

• YOLO 계열의 산업 친화적 연속 모델을 설계하고 실제 서빙 환경에서의 속도-정확도 균형을 목표로 함.
• 일반 하드웨어에서 처리량을 극대화하기 위한 재파라미터화 블록과 효율적인 넥/헤드를 활용한 확장 가능한 네트워크(N, S, M, L) 패밀리 개발.
• 자세한 트레이닝 전략(자기 증류, TAL 라벨 할당, 특수 손실)과 배포 중심 양자화(RepOptimizer, 채널 단위 증류를 포함한 QAT) 도입으로 실전 성능 향상.
• COCO에서 현재 최첨단 검출기들과 비교하여 여러 크기에서 더 빠른 추론 속도와 경쟁력 있는 정확도를 달성하는지 평가

제안 방법

• 소형 모델용 EfficientRep 백본과 대형 모델용 CSPStackRep 블록을 도입하여 속도와 정확도 간의 균형을 달성합니다.
• Rep-PAN 넥과 하이브리드 채널 전략을 가진 Efficient Decoupled Head를 채택하여 계산량을 감소시킵니다.
• 안정성과 성능을 위한 기본 라벨 할당으로 SimOTA를 대체하는 TAL(Task Alignment Learning) 사용.
• 분류에 VariFocal Loss, 회귀에 SIoU/CIoU 변형을 Ablation에 따라 선택적으로 사용; 더 큰 모델에서 DFL/DFLv2를 선택적으로 포함합니다.
• 더 긴 학습, 교사-자기 증류(교사 = 자기 자신), 그레이 보더 처리, 로딩 학습 에폭 등의 산업 친화적 팁을 포함합니다.
• 배포 친화적 가중치를 얻기 위한 RepOptimizer 기반 학습 적용; 양자화 인식 배포를 위한 채널 단위 증류를 갖춘 QAT 및 그래프 최적화를 사용합니다.

실험 결과

연구 질문

• RQ1 산업 환경에서 속도-정확도에 대한 최적의 백본 및 넥 설계(N, S, M, L 단일 경로 대 다지점)인가?
• RQ2 라벨 할당 전략(ATSS, SimOTA, TAL 등)이 YOLOv6의 학습 안정성과 최종 mAP에 어떤 영향을 주는가?
• RQ3 다양한 모델 규모에서 정확도를 극대화하면서 추론 속도를 보존하는 분류 및 위치 추정용 손실 함수는 무엇인가?
• RQ4 RepOptimizer 기반 양자화, 채널 단위 증류를 활용한 QAT 등 배포 지향 양자화 전략으로 가장 큰 속도 향상을 얻되 정확도 손실을 최소화하는 방법은 무엇인가?
• RQ5 COCO에서 YOLOv6 변형들의 성능은 표준 하드웨어에서 AP와 FPS 면에서 YOLOv5/YOLOX/PPYOLOE/YOLOv7에 비해 어떤가?

주요 결과

• YOLOv6-N은 Tesla T4에서 1234 FPS(bs=32)로 35.9% AP를 달성; 1.2 ms 레이턴시와 함께 실시간 성능을 보여주는 802 FPS(bs=1)을 달성합니다.
• YOLOv6-S는 T4에서 495 FPS(bs=32)로 43.5% AP를 달성하며 유사한 규모의 YOLOv5-S 및 YOLOX-S를 능가; 양자화된 YOLOv6-S은 869 FPS에서 43.3% AP를 달성합니다.
• YOLOv6-M은 233 FPS(bs=32)에서 49.5% AP를 달성하고 5.6 ms 레이턴시로 유사 속도 detectors를 능가; YOLOv6-L은 121 FPS(bs=32)에서 52.5% AP, 10.2 ms 레이턴시, 144.0 G FLOPs를 달성합니다.
• YOLOv6-L-ReLU 변형은 경쟁력 있는 정확도/속도 균형을 제공합니다; ReLU를 가진 L 모델은 51.7% AP at 149 FPS.
• ABLATION 전반에서 TAL은 SimOTA 및 ATSS보다 일관되게 라벨 할당에서 우수한 성능을 보이며; VFL은 분류에서 Focal Loss보다 약간 개선; SIoU/CIoU 회귀 손실이 모델 변형마다 최상의 결과를 제공합니다.
• RepOptimizer 주도 PTQ 및 채널 단위 증류를 포함한 QAT 양자화 접근 방식은 Tesla T4와 같은 하드웨어에서 배포 친화적 정확도와 큰 속도 향상을 제공합니다.