简介：
YOLOv6 是美团视觉智能部研发的一款目标检测框架，致力于工业应用。这里简单记录一下，方便以后回顾。
在部署方面，YOLOv6 支持 GPU（TensorRT）、CPU（OPENVINO）、ARM（MNN、TNN、NCNN）等不同平台的部署，极大地简化工程部署时的适配工作。
原论文地址：https://arxiv.org/pdf/2004.10934.pdf
GitHub网址：https://github.com/meituan/YOLOv6
结果展示：
网络结构：
以下为yolov6s整体的网络架构，从图中可看出yolov6网络由四个部分组成：input，backbone，neck以及head。对各个部分的功能和yolov5相同，如backbone用于提取特征，head用于预测。
YOLOv6：EfficientRep Backbone + SPP +RepPANNeck + Efficient Decoupled Head
核心原理详解：
BackBones：
受到硬件感知神经网络设计思想的启发，基于RepVGG style设计了可重参数化，美团将其命名为EfficientRep Backbone。
上图为RepVGG模型架构的一个主要的算子, 可以称作为RepVGGBlock, 是backbone的主要算子。
在训练时, 该算子有三个分支, 分别是3x3卷积分支, 1x1卷积分支以及Identity分支。
在预测时会将其进行等价的转换, 变成一个3x3卷积。
Neck：
其实就是将CSP-PAN中的CSP模块换成了Rep模块，形成了Rep-PAN罢了。
Head：
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。
对解耦头进行了精简设计后，同时综合考虑到相关算子表征能力和硬件上计算开销这两者的平衡，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%。
Anchor-free
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。
总结：
简而言之，考虑到持续的工业需求，提出了YOLOv6，仔细分析了迄今为止目标检测器组件的所有进步。结果在精度和速度上都超过了其他可用的实时目标检测器。为了便于工业部署，还为YOLOv6提供了一种定制的量化方法，从而提供了前所未有的快速检测器。
系列传送门：
目标检测——R-CNN（一）
目标检测——Fast R-CNN（二）
目标检测——Faster R-CNN（三）
目标检测——Mask R-CNN（四）
目标检测——R-FCN（五）
目标检测——YOLOv3（六）
目标检测——YOLOv4（七）
目标检测——YOLOv5（八）
目标检测——SSD（九）
目标检测——RetinaNet（十）
目标检测——RefineDet（十一）