官方模型：YOLOv6/README_cn.md at main · meituan/YOLOv6
目录
1、模型和环境准备
1.1 模型下载
首先要做的是将yolov6模型克隆到本地，yolov6模型官网：YOLOv6，你可以点击里面进去下载到本地，也可以 通过git clone的方式下载到本地，如下：
git clone https://github.com/meituan/YOLOv6- 通过git clone的方式下载到本地：
下载到本地后，有一个YOLOv6文件夹，如上。
1.2 依赖环境安装
终端指令进入到YOLOv6文件夹下载，进行依赖包按，如下：
cd YOLOv6
pip install -r requirements.txt- 安装如下图：
1.3 权重文件下载
依赖环境安装完成后，进行模型权重文件下载，yolov6的权重文件有多个版本。
进入这个地址下载权重：YOLOv6,找到如下Benchmark模块，如下：
需要用什么模型，就点击对应的模型直接进行下载，例如我用的是yolov6s.pt,即我下载的YOLOv6-S，每一个模型都有自己的特点，详细介绍在下面。
YOLOv6 是一种高效的实时目标检测模型，提供了多种预训练权重模型，每个模型都有其特定的特点和应用场景。以下是 YOLOv6 提供的一些常见预训练权重模型及其主要区别：
模型特点和区别：
1.YOLOv6-N (Nano)
（1）特点：
- 推理速度极快，但在精度上有一定牺牲。
- 极其轻量级的模型，适合资源极度受限的设备。
（2）适用场景：物联网设备、低功耗嵌入式系统等。
（3）权重文件：yolov6n.pt
2.YOLOv6-S (Small)
(1) 特点：
- 较小的模型大小，适合资源受限的设备。
- 推理速度较快，精度较高。
(2) 适用场景：
- 移动设备、嵌入式系统等对模型大小和推理速度有较高要求的场景。
(3) 权重文件：yolov6s.pt
3.YOLOv6-M (Medium)
(1) 特点：
- 模型大小介于 Small 和 Large 之间。
- 精度和速度的平衡较好。
(2) 适用场景：
- 一般用途的目标检测任务，既需要一定的精度又需要较快的推理速度。
(3) 权重文件：yolov6m.pt
4.YOLOv6-L (Large)
(1) 特点：
- 较大的模型大小，具有更高的精度。
- 推理速度相对较慢。
(2) 适用场景：
- 高精度要求的任务，如安全监控、医学影像分析等。
(3) 权重文件：yolov6l.pt
5.YOLOv6-N6 (Nano with 1280x1280 input)
(1) 特点：
- 极轻量级模型，但输入分辨率提高到 1280x1280，提高了精度。
- 推理速度仍然较快。
(2) 适用场景：
- 需要在资源受限设备上获得更高精度的场景。
(3) 权重文件：yolov6n6.pt
6.YOLOv6-S6 (Small with 1280x1280 input)
(1) 特点：
- 较小的模型大小，输入分辨率提高到 1280x1280，提高了精度。
- 推理速度较快。
(2) 适用场景：
- 需要在移动设备上获得更高精度的场景。
(3) 权重文件：yolov6s6.pt
7.YOLOv6-M6 (Medium with 1280x1280 input)
(1) 特点：
- 模型大小介于 Small 和 Large 之间，输入分辨率提高到 1280x1280，提高了精度。
- 精度和速度的平衡较好。
(2) 适用场景：
- 一般用途的目标检测任务，需要更高的精度。
(3) 权重文件：yolov6m6.pt
8.YOLOv6-L6 (Large with 1280x1280 input)
(1) 特点：
- 较大的模型大小，输入分辨率提高到 1280x1280，具有最高的精度。
- 推理速度最慢。
(2) 适用场景：
- 需要最高精度的场景，如科学研究、高精度工业检测等。
(3) 权重文件：yolov6l6.pt
选择合适的模型
选择合适的 YOLOv6 模型取决于您的具体需求：
-
资源限制：如果设备资源有限，选择 Nano 或 Small。
-
精度要求：如果需要高精度，选择 Large 或 L6。
-
速度要求：如果需要快速推理，选择 Nano 或 Small。
-
通用用途：如果需要平衡精度和速度，选择 Medium 或 M6。
在YOLOv6目录下新建一个weights文件夹，把下载的权重模型放到该文件夹下：
1.4 环境测试
环境部署准备好之后，执行推理，测试环境是否部署成功。
在YOLOv6目录下运行如下代码：
python tools/infer.py - 运行截图：
可以看到推理结果存放到runs/inference/exp文件夹下的，即进入该文件夹下（/YOLOv6/runs/inference/exp/images/），可以看到如下推理结果，表示环境准备成功，接下来就可以进行模型训练了。
2、配置文件和数据集准备
2.1 准备数据集
YOLOv6 支持多种格式的数据集，可以YOLO、COCO、VOC等格式的数据集，本次实验我采用的YOLO格式的数据集，YOLO数据集制作参考：数据标注，参考这篇文章的的“一、数据标注篇”下的“2、数据标注与处理”的“2.1 图像标注部分”，将图片和标注文件，按照如下结构进行放置：
datasets/
├── images/
│ ├── train/
│ │ ├── image1.jpg
│ │ ├── image2.jpg
│ │ └── ...
│ ├── val/
│ │ ├── image1.jpg
│ │ ├── image2.jpg
│ │ └── ...
│ └── test/
│ ├── image1.jpg
│ ├── image2.jpg
│ └── ...
├── labels/
│ ├── train/
│ │ ├── image1.txt
│ │ ├── image2.txt
│ │ └── ...
│ ├── val/
│ │ ├── image1.txt
│ │ ├── image2.txt
│ │ └── ...2.2 配置文件准备
我的实验基于牛马的目标检测，故我的数据是牛和马的数据集，因此我的目标检测的类别是2，对应的标签名称为：cow(牛)、马(horse)。
在如下路径下配置文件:/YOLOv6/data/dataset.yaml，配置文件修改如下：
2.3 BUG修改
YOLOv6模型还是有一个BUG的，不知道是，什么时候可以修复，就是模型训练的时候找不到YOLOv6模型，实验的时候，这一步可以先跳过，直接去训练，如果训练不报这个错误的话就不用管。
如果训练报错，说找不到什么文件的话，就将下列代码复制到YOLOv6/tools/目录下的train.py的文件里，目的是将YOLOv6 的路径添加到train.py文件中，如下图：
import sys
sys.path.insert(0, '/mnt/workspace/YOLO系列/YOLOv6')（注意“YOLOv6路径选择自己所放文件的绝对路径，例如我的YOLOv6文件是下载到/mnt/workspace/YOLO系列/路径下的，故我的路径是：/mnt/workspace/YOLO系列/YOLOv6”）
3、模型训练
3.1 模型训练
环境、依赖、数据集、配置文件等准备好后，接下来就是进行模型训练。
- 模型训练：
python tools/train.py --batch 32 --epochs 30 --conf configs/yolov6s_finetune.py --data data/dataset.yaml --fuse_ab - 参数详解：
1.--batch 32
- 说明：设置批量大小（batch size）。
- 作用：批量大小决定了每次前向传播和反向传播处理的样本数量。较大的批量大小可以利用 GPU 的并行计算能力，但会占用更多的内存。
- 默认值：通常默认值为 16 或 32，具体取决于硬件配置。
2.--epochs 30
- 说明：设置训练的轮数（epochs）。
- 作用：每个 epoch 表示整个训练数据集被遍历一次。增加 epochs 数量可以提高模型的训练效果，但也可能增加过拟合的风险。
- 默认值：通常默认值为 100 或更高，具体取决于任务的复杂性和数据集的大小。
3.--conf configs/yolov6s_finetune.py
- 说明：指定配置文件的路径。
- 作用：配置文件包含模型的架构、优化器设置、学习率调度等重要参数。
yolov6s_finetune.py是一个用于微调的配置文件。 - 默认值：没有默认值，必须指定。
4.--data data/dataset.yaml
- 说明：指定数据集配置文件的路径。
- 作用：数据集配置文件定义了训练、验证和测试数据集的路径以及类别信息。
dataset.yaml文件通常包含图像路径和标签路径。 - 默认值：没有默认值，必须指定。
5.--fuse_ab
- 说明：启用融合操作（fuse operation）。
- 作用：融合操作可以优化模型的性能，特别是在推理阶段。
--fuse_ab参数通常用于优化模型的卷积层。 - 默认值：通常默认情况下不启用，需要手动添加此参数。
模型训练过程如下：
模型训练完成：
3.2 训练结果介绍
上图可以看出模型训练完成后，将训练的结果存放到runs/train/exp目录下，进入到该目录下，如下：
该目录下有一个weights权重文件，里面存放的训练好的模型权重：
在 YOLOv6 模型训练过程中，通常会生成多个权重文件，其中最常见的两个是 best_ckpt.pt 和 last_ckpt.pt。这两个文件有不同的用途和含义：
（1）. best_ckpt.pt
- 说明：这是在整个训练过程中表现最好的模型权重文件。
- 选择标准：通常根据验证集上的某个评估指标（如 mAP，即平均精度均值）来选择最佳模型。当某个 epoch 的验证集性能达到最优时，模型的权重会被保存为
best_ckpt.pt。 - 用途：用于最终的模型部署和测试。因为这是在验证集上表现最好的模型，所以通常会选择它作为最终模型。
（2）. last_ckpt.pt
- 说明：这是训练结束时最后一个 epoch 的模型权重文件。
- 选择标准：无论最后一个 epoch 的验证集性能如何，都会保存这个模型的权重。
- 用途：用于继续训练或进行进一步的微调。如果训练过程中断，可以使用
last_ckpt.pt从最后一个 epoch 继续训练。
（3）区别总结
- 最佳性能 vs 最新状态：
best_ckpt.pt是在验证集上表现最好的模型，通常用于最终的模型部署和测试。last_ckpt.pt是训练结束时的最新模型，通常用于继续训练或微调。
综上所述，best_ckpt.pt是训练过程中表现最好的模型，故后续的模型评估和模型推理部署都用改模型。
4、模型评估与推理
4.1 模型评估
接下来是用训练好的最佳的权重模型best_ckpt.pt模型进行模型评估：
python tools/eval.py --data data/dataset.yaml --batch 32 --weights ./runs/train/exp1/weights/best_ckpt.pt --task val参数详解：
（1）--data data/dataset.yaml
- 说明：指定数据集配置文件的路径。
- 作用：数据集配置文件定义了训练、验证和测试数据集的路径以及类别信息。
dataset.yaml文件通常包含图像路径和标签路径。
（2）--batch 32
- 说明：设置批量大小（batch size）。
- 作用：批量大小决定了每次前向传播处理的样本数量。较大的批量大小可以利用 GPU 的并行计算能力，但会占用更多的内存。
（3）--weights runs/train/exp1/weights/best_ckpt.pt
- 说明：指定模型权重文件的路径。
- 作用：模型权重文件包含训练好的模型参数。在这里，您指定了
best_ckpt.pt文件，这是在验证集上表现最好的模型权重。
（4）--task val
- 说明：指定任务类型。
- 作用：
val表示在验证集上进行评估。其他可能的值包括test（在测试集上进行评估）。
（5）模型评估过程截图示例：
如上图，模型评估后结果存放到runs/val/exp目录下，进入到该目录就可以看到模型评估的结果了。
4.2 模型推理
接下来是模型推理，模型推理如下：
python tools/infer.py --weights ./runs/train/exp1/weights/best_ckpt.pt --source ./data/datasets/images/test参数详解
（1）--weights runs/train/exp1/weights/best_ckpt.pt
- 说明：指定模型权重文件的路径。
- 作用：模型权重文件包含训练好的模型参数。在这里，您指定了
best_ckpt.pt文件，这是在验证集上表现最好的模型权重。
（2）--source data/datasets/images/test
- 说明：指定输入数据的路径。
- 作用：输入数据可以是单个图像文件、目录中的多个图像文件或视频文件。在这里，您指定了一个包含测试图像的目录。
（3）模型推理过程如下：
模型预测成功后，如上图，预测结果存放到runs/inference/exp目录下，进入该目录，就可以看到预测的结果，预测的结果部分示例如下:
