YoloV6关键技术
YOLOv6 主要在 BackBone、Neck、Head 以及训练策略等方面进行了诸多的改进：
1. Hardware-friendly 的骨干网络设计
YOLOv5/YOLOX 使用的 Backbone 和 Neck 都基于 CSPNet搭建,采用了多分支的方式和残差结构,这种结构会一定程度上增加延时，同时减小内存带宽利用率。YOLOv6在backbone上就引入了RepVGG的结构，并且基于硬件又进行了改良，提出了效率更高的EfficientRep。
RepVGG
RepVGG Block
问题:
- 为什么训练的时候使用多分支
能够增加模型的表征能力，从上表中可以看出无论是增加Identity branch还是1*1的branch，都可以提高模型的准确度
- 为什么推理的时候使用单分支
- 使用单分支更快，多分支的每个分支计算量可能不同，但是需要将每个分支的结果相加，导致并行度下降，降低速度，另外多分支调用的算子更多，更耗时
- 更省内存
- 更加灵活
结构重参数化
将多分支结构转换为单分支结构，即将RepVGG block转化为一个3*3的卷积
- 11卷积转化为33卷积，BN转化为3*3卷积
11转化为33只需要将1*1的卷积核padding1
BN转化只需要构造一个卷积似的输入输出相等即可，即乘以一个单位矩阵
假设输入channel为2输出channel也为2，则需要构造两个332的卷积核，
- 卷积层和BN层融合
对于卷积层： y i = w ⋅ x i + b y_i=w \cdot x_i+b yi=w⋅xi+b
对于BN层： y i = γ x i ^ + β y_i=\gamma \hat{x_i}+\beta yi=γxi^+β,其中 x i ^ = x i − μ i σ i 2 + ϵ \hat{x_i}=\frac{x_i-\mu_i}{\sqrt{\sigma_i^2+\epsilon}} xi^=σi2+ϵxi−μi, μ i \mu_i μi为均值， σ i \sigma_i σi为标准差
将卷积公式带入BN公式得到： B N γ , β ( x ) = γ w ⋅ x + b − μ i σ i 2 + ϵ + β = γ w σ i 2 + ϵ ⋅ x + γ σ i 2 + ϵ ⋅ ( b − μ i ) + β BN_{\gamma ,\beta}(x)=\gamma \frac{w\cdot x+b-\mu_i}{\sqrt{\sigma_i^2+\epsilon}}+\beta= \frac{\gamma w}{\sqrt{\sigma_i^2+\epsilon}}\cdot x+\frac{\gamma}{\sqrt{\sigma_i^2+\epsilon}}\cdot(b-\mu_i)+\beta BNγ,β(x)=γσi2+ϵw⋅x+b−μi+β=σi2+ϵγw⋅x+σi2+ϵγ⋅(b−μi)+β
令 w ^ = γ w σ i 2 + ϵ \hat{w}=\frac{\gamma w}{\sqrt{\sigma_i^2+\epsilon}} w^=σi2+ϵγw, b ^ = γ σ i 2 + ϵ ⋅ ( b − μ i ) + β \hat{b}=\frac{\gamma}{\sqrt{\sigma_i^2+\epsilon}}\cdot(b-\mu_i)+\beta b^=σi2+ϵγ⋅(b−μi)+β,则有
B N γ , β ( x ) = w ^ ⋅ x + b ^ BN_{\gamma ,\beta}(x)=\hat{w}\cdot x+\hat{b} BNγ,β(x)=w^⋅x+b^
卷积层和BN层融合之后就相当于一个新的卷积层
- 多分支融合
将卷积层和BN层融合后，得到3个3*3的卷积层，最后直接将这三个卷积层的参数相加融合为一个卷积层
EfficientRep Backbone
网络结构
将YOLOv5 Backbone 中的 CBL模块替换成了 RepConv模块。同时，将原始的 CSP-Block 都重新设计为 RepBlock，其中 RepBlock 的第一个 RepConv 会做 channel 维度的变换和对齐。另外，还将原始的 SPPF 优化设计为更加高效的 SimSPPF。
yolov5网络结构图
SPP、SPPF、SimSPPF的区别
SPP结构：又称空间金字塔池化，能够将能将任意大小的特征图转换成固定大小的特征向量
- SPP
- SPPF
- SimSPPF
Rep-PAN
Rep-PAN 基于 PAN拓扑方式，用 RepBlock 替换了 YOLOv5 中使用的 CSP-Block，同时对整体 Neck 中的算子进行了调整，目的是在硬件上达到高效推理的同时，保持较好的多尺度特征融合能力
2. 更简洁高效的 Decoupled Head
在 YOLOv6 中，采用了解耦检测头（Decoupled Head）结构，并对其进行了精简设计。原始 YOLOv5 的检测头是通过分类和回归分支融合共享的方式来实现的，而 YOLOX 的检测头则是将分类和回归分支进行解耦，同时新增了两个额外的 3x3 的卷积层，虽然提升了检测精度，但一定程度上增加了网络延时。
YOLOv6采用 Hybrid Channels 策略重新设计了一个更高效的解耦头结构，在维持精度的同时降低了延时，缓解了解耦头中 3x3 卷积带来的额外延时开销。通过在 nano 尺寸模型上进行消融实验，对比相同通道数的解耦头结构，精度提升 0.2% AP 的同时，速度提升6.8%。
3. 更有效的训练策略
- Anchor-free 无锚范式
YOLOv6 采用了更简洁的 Anchor-free 检测方法。由于 Anchor-based检测器需要在训练之前进行聚类分析以确定最佳 Anchor 集合，这会一定程度提高检测器的复杂度；同时，在一些边缘端的应用中，需要在硬件之间搬运大量检测结果的步骤，也会带来额外的延时。而 Anchor-free 无锚范式因其泛化能力强，解码逻辑更简单，在近几年中应用比较广泛。经过对 Anchor-free 的实验调研，我们发现，相较于Anchor-based 检测器的复杂度而带来的额外延时，Anchor-free 检测器在速度上有51%的提升。
- SimOTA 标签分配策略
为了获得更多高质量的正样本，YOLOv6 引入了 SimOTA [4]算法动态分配正样本，进一步提高检测精度。YOLOv5 的标签分配策略是基于 Shape 匹配，并通过跨网格匹配策略增加正样本数量，从而使得网络快速收敛，但是该方法属于静态分配方法，并不会随着网络训练的过程而调整。
近年来，也出现不少基于动态标签分配的方法，此类方法会根据训练过程中的网络输出来分配正样本，从而可以产生更多高质量的正样本，继而又促进网络的正向优化。例如，OTA[7] 通过将样本匹配建模成最佳传输问题，求得全局信息下的最佳样本匹配策略以提升精度，但 OTA 由于使用了Sinkhorn-Knopp 算法导致训练时间加长，而 SimOTA[4]算法使用 Top-K 近似策略来得到样本最佳匹配，大大加快了训练速度。故 YOLOv6 采用了SimOTA 动态分配策略，并结合无锚范式，在 nano 尺寸模型上平均检测精度提升 1.3% AP。
- SIoU 边界框回归损失
为了进一步提升回归精度，YOLOv6 采用了 SIoU[9] 边界框回归损失函数来监督网络的学习。目标检测网络的训练一般需要至少定义两个损失函数：分类损失和边界框回归损失，而损失函数的定义往往对检测精度以及训练速度产生较大的影响。
近年来，常用的边界框回归损失包括IoU、GIoU、CIoU、DIoU loss等等，这些损失函数通过考虑预测框与目标框之前的重叠程度、中心点距离、纵横比等因素来衡量两者之间的差距，从而指导网络最小化损失以提升回归精度，但是这些方法都没有考虑到预测框与目标框之间方向的匹配性。SIoU 损失函数通过引入了所需回归之间的向量角度，重新定义了距离损失，有效降低了回归的自由度，加快网络收敛，进一步提升了回归精度。通过在 YOLOv6s 上采用 SIoU loss 进行实验，对比 CIoU loss，平均检测精度提升 0.3% AP。