YOLO 社区自前两次发布以来一直情绪高涨！随着中国农历新年2023兔年的到来，美团对YOLOv6进行了许多新的网络架构和训练方案改进。此版本标识为 YOLOv6 v3.0。对于性能，YOLOv6-N在COCO数据集上的AP为37.5%，通过NVIDIA Tesla T4 GPU测试的吞吐量为1187 FPS。YOLOv6-S以484 FPS的速度得到了超过45.0%的AP，超过了相同规模的其他主流检测器（YOLOv5-S、YOLOv8-S、YOLOX-S和PPYOLOE-S）。YOLOv6-M/L在相似的推理速度下也比其他检测器实现了更好的精度性能（分别为50.0%/52.8%）。此外，凭借扩展的Backbone和Neck设计，YOLOv6-L6实现了最先进的实时精度。

YOLOv6贡献

YOLOv6的新功能总结如下：

1. 我们用双向级联（BiC）模块更新检测器的颈部，以提供更准确的定位信号。SPPF被简化为SimCSPSPF块，它带来了性能提高，速度下降可忽略不计。（SimCSPSPF和我之前提出的SPPFCSPC结构相同）
2. 我们提出了一种锚辅助训练（AAT）策略，以在不影响推理效率的情况下，享受基于锚和无锚范例的优点。(这一点也比较有意思，v7作者在我的issue中是这么回答的issue)
3. 我们深化 YOLOv6，使其在主干和颈部具有另一个阶段，这增强了它在 COCO 数据集上以高分辨率输入实现新的最先进性能。
4. 我们采用了一种新的自蒸馏策略来提高 YOLOv6 小模型的性能，其中 DFL 的较重分支在训练期间被用作增强的辅助回归分支，并在推断时被移除，以避免显著的速度下降。

BiFusion Neck 融合的原理

BiFusion Neck 融合的原理其实并不是很难理解，有些博主解析的过于复杂，其实无非就是4步：

1. 对同尺度特征图使用 1×1 卷积降维；
2. 对大尺度特征图先使用 1×1 卷积降维，再使用 3×3 步长为 2 的卷积进行下采样；
3. 对小尺度特征图 使用 2×2 的转置卷积进行上采样，
4. 然后将这三部分得到的特征图 Conca 拼接起来，使用 1×1 卷积再次降维；

BiFusion Neck结构图

我这里把YOLOv6的颈部网络完美移植到了YOLOv5

参数量与计算量

很巧妙的改进~

代码修改方式：
yolo.py中加入nn.ConvTranspose2d

BiFusion Neck 配置文件

yolov5s-Bifusion.yaml

# YOLOv5 🚀 by Ultralytics, GPL-3.0 license
# by迪菲赫尔曼 ，仅供学习交流，别tm倒卖！
# Parameters
nc: 80  # number of classes
depth_multiple: 0.33  # model depth multiple
width_multiple: 0.50  # layer channel multiple
anchors:- [10,13, 16,30, 33,23]  # P3/8- [30,61, 62,45, 59,119]  # P4/16- [116,90, 156,198, 373,326]  # P5/32# YOLOv5 v6.0 backbone
backbone:# [from, number, module, args][[-1, 1, Conv, [64, 6, 2, 2]],  # 0-P1/2[-1, 1, Conv, [128, 3, 2]],  # 1-P2/4[-1, 3, C3, [128]],[-1, 1, Conv, [256, 3, 2]],  # 3-P3/8[-1, 6, C3, [256]],[-1, 1, Conv, [512, 3, 2]],  # 5-P4/16[-1, 9, C3, [512]],[-1, 1, Conv, [1024, 3, 2]],  # 7-P5/32[-1, 3, C3, [1024]],[-1, 1, SPPF, [1024, 5]],  # 9]# YOLOv5 v6.0 head
head:[[-1, 1, Conv, [512, 1, 1]], #10[-1, 1, nn.ConvTranspose2d, [512, 2, 2, 0, 0, 512]], #11[ 6, 1, Conv, [256, 1,1]],  #12[ 4, 1, Conv, [128, 1,1]],  #13[-1, 1, Conv, [128, 3,2]],  #14[[11, 12, 14], 1, Concat, [1]],  # cat backbone P4  #15[-1, 1, Conv, [512, 1,1]],    # 16[-1, 3, C3  , [512, False]],  # 17[-1, 1, Conv, [256, 1, 1]],   # 18[-1, 1, nn.ConvTranspose2d, [256, 2, 2, 0, 0, 256]], #19[ 4, 1, Conv, [ 128, 1,1 ] ],  #20[ 2, 1, Conv, [ 64, 1,1 ] ],   #21[-1, 1, Conv, [ 64, 3,2 ] ],   #22[[19, 20, 22], 1, Concat, [1]],  #23  cat backbone P3[-1, 1, Conv, [256, 1,1]],    #24[-1, 3, C3  , [256, False]],  #25 out[-1, 1, Conv, [256, 3, 2]],   #26[[-1, 18], 1, Concat, [1]],   #27  cat head P4[-1, 3, C3  , [512, False]],  #28 out (P4/16-medium)[-1, 1, Conv, [512, 3, 2]],   #29[[-1, 10], 1, Concat, [1]],   #30 cat head P5[-1, 3, C3  , [1024, False]], # 31 (P5/32-large)[[25, 28, 31], 1, Detect, [nc, anchors]],  # Detect(P3, P4, P5)]

yolov5m-Bifusion.yaml

# YOLOv5 🚀 by Ultralytics, GPL-3.0 license
# by迪菲赫尔曼 ，仅供学习交流，别tm倒卖！
# Parameters
nc: 80  # number of classes
depth_multiple: 0.67  # model depth multiple
width_multiple: 0.75  # layer channel multiple
anchors:- [10,13, 16,30, 33,23]  # P3/8- [30,61, 62,45, 59,119]  # P4/16- [116,90, 156,198, 373,326]  # P5/32# YOLOv5 v6.0 backbone
backbone:# [from, number, module, args][[-1, 1, Conv, [64, 6, 2, 2]],  # 0-P1/2[-1, 1, Conv, [128, 3, 2]],  # 1-P2/4[-1, 3, C3, [128]],[-1, 1, Conv, [256, 3, 2]],  # 3-P3/8[-1, 6, C3, [256]],[-1, 1, Conv, [512, 3, 2]],  # 5-P4/16[-1, 9, C3, [512]],[-1, 1, Conv, [1024, 3, 2]],  # 7-P5/32[-1, 3, C3, [1024]],[-1, 1, SPPF, [1024, 5]],  # 9]# YOLOv5 v6.0 head
head:[[-1, 1, Conv, [512, 1, 1]], #10[-1, 1, nn.ConvTranspose2d, [512, 2, 2, 0, 0, 512]], #11[ 6, 1, Conv, [256, 1,1]],  #12[ 4, 1, Conv, [128, 1,1]],  #13[-1, 1, Conv, [128, 3,2]],  #14[[11, 12, 14], 1, Concat, [1]],  # cat backbone P4  #15[-1, 1, Conv, [512, 1,1]],    # 16[-1, 3, C3  , [512, False]],  # 17[-1, 1, Conv, [256, 1, 1]],   # 18[-1, 1, nn.ConvTranspose2d, [256, 2, 2, 0, 0, 256]], #19[ 4, 1, Conv, [ 128, 1,1 ] ],  #20[ 2, 1, Conv, [ 64, 1,1 ] ],   #21[-1, 1, Conv, [ 64, 3,2 ] ],   #22[[19, 20, 22], 1, Concat, [1]],  #23  cat backbone P3[-1, 1, Conv, [256, 1,1]],    #24[-1, 3, C3  , [256, False]],  #25 out[-1, 1, Conv, [256, 3, 2]],   #26[[-1, 18], 1, Concat, [1]],   #27  cat head P4[-1, 3, C3  , [512, False]],  #28 out (P4/16-medium)[-1, 1, Conv, [512, 3, 2]],   #29[[-1, 10], 1, Concat, [1]],   #30 cat head P5[-1, 3, C3  , [1024, False]], # 31 (P5/32-large)[[25, 28, 31], 1, Detect, [nc, anchors]],  # Detect(P3, P4, P5)]

本代码仅供学习交流使用，切勿倒卖，转载请注明出处 ！！