先看YOLOv6精度：
| Model | Size | mAPval 0.5:0.95 |
SpeedV100 fp16 b32 (ms) |
SpeedV100 fp32 b32 (ms) |
SpeedT4 trt fp16 b1 (fps) |
SpeedT4 trt fp16 b32 (fps) |
Params (M) |
Flops (G) |
|---|---|---|---|---|---|---|---|---|
| YOLOv6-n | 416 640 |
30.8 35.0 |
0.3 0.5 |
0.4 0.7 |
1100 788 |
2716 1242 |
4.3 4.3 |
4.7 11.1 |
| YOLOv6-tiny | 640 | 41.3 | 0.9 | 1.5 | 425 | 602 | 15.0 | 36.7 |
| YOLOv6-s | 640 | 43.1 | 1.0 | 1.7 | 373 | 520 | 17.2 | 44.2 |
右下角有个明显的漏检，比yoloe召回率要低。
yoloe-s效果：
yoloe使用心得笔记：
yoloe 目标检测使用笔记_AI视觉网奇的博客-CSDN博客
yolov5精度：
| Model | size (pixels) |
mAPval 0.5:0.95 |
mAPval 0.5 |
Speed CPU b1 (ms) |
Speed V100 b1 (ms) |
Speed V100 b32 (ms) |
params (M) |
FLOPs @640 (B) |
|---|---|---|---|---|---|---|---|---|
| YOLOv5n | 640 | 28.0 | 45.7 | 45 | 6.3 | 0.6 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | 56.8 | 98 | 6.4 | 0.9 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | 64.1 | 224 | 8.2 | 1.7 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | 67.3 | 430 | 10.1 | 2.7 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | 68.9 | 766 | 12.1 | 4.8 | 86.7 | 205.7 |
| YOLOv5n6 | 1280 | 36.0 | 54.4 | 153 | 8.1 | 2.1 | 3.2 | 4.6 |
| YOLOv5s6 | 1280 | 44.8 | 63.7 | 385 | 8.2 | 3.6 | 12.6 | 16.8 |
| YOLOv5m6 | 1280 | 51.3 | 69.3 | 887 | 11.1 | 6.8 | 35.7 | 50.0 |
| YOLOv5l6 | 1280 | 53.7 | 71.3 | 1784 | 15.8 | 10.5 | 76.8 | 111.4 |
| YOLOv5x6 + TTA |
yoloe精度：
| PP-YOLOE-s | 640 | 43.1% | Training... | Training... | 7.93 | 17.36 | baidu pan code:qfld | baidu pan code:mwjy |
以下内容转自：
劲爆！YOLOv6又快又准的目标检测框架开源啦（附源代码下载）
代码地址：https://github.com/meituan/YOLOv6
精度对比：
图1-1 YOLOv6 各尺寸模型与其他模型性能对比
图1-2 YOLOv6 与其他模型在不同分辨率下性能对比
02
Yolov6关键技术
Hardware-friendly 的骨干网络设计
图2 Roofline Model 介绍图
图3 Rep算子的融合过程[4]
图4 EfficientRep Backbone 结构图
图5 Rep-PAN 结构图
更简洁高效的 Decoupled Head
图6 Efficient Decoupled Head 结构图
更有效的训练策略
03
实验结果及可视化
经过以上优化策略和改进，YOLOv6在多个不同尺寸下的模型均取得了卓越的表现。下表1展示了YOLOv6-nano的消融实验结果，从实验结果可以看出，我们自主设计的检测网络在精度和速度上都带来了很大的增益。
表1 YOLOv6-nano 消融实验结果
下表2展示了YOLOv6与当前主流的其他YOLO系列算法相比较的实验结果。从表格中可以看到：
表2 YOLOv6各尺寸模型性能与其他模型的比较
04
总结与展望
