目录
1.网络改进
- 网络设计：Backbone：与其他主流架构相比，RepVGG骨干网络在推理速度相近的情况下，在小型网络中具备更多的特征表示能力，而由于参数和计算成本的爆炸性增长，它很难被扩展以获得更大的模型。YOLO v6把RepBlock作为我们小型网络的构建模块。对于大型模型，我们修改了一个更有效的CSP块，名为CSPStackRep块。Neck：YOLOv6的颈部采用了YOLOv4和YOLOv5之后的PAN拓扑结构。用RepBlocks或CSPStackRep Blocks来增强颈部，以实现Rep-PAN。Head：简化了解耦头，使其更加有效，称为高效解耦头。
2.网络结构
- 依旧由backbone、neck和head组成。
- backbone：设计了一个高效的可重新参数化的骨干，称为EffificientRep
- neck：Rep-PAN
- head：高效解耦头
（1）EffificientRep
- RepVGG 主干在小型网络中具有更强的特征表示能力，但是随着参数和计算成本的爆炸式增长， RepVGG 在大模型中难以获得较高的性能，所以设计了一个高效的可重新参数化的骨干，称为EffificientRep
- 将 Backbone 中 stride=2 的普通 Conv 层替换成了 stride=2 的RepConv层
- 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
- 将原始的 SPPF 优化设计为更加高效的 SimSPPF
（2）Rep-PAN
- Rep-PAN 基于 PAN 拓扑方式，用 RepBlock 替换了 YOLOv5 中使用的 CSP-Block，对整体 Neck 中的算子进行了调整
（3）高效解耦头
- YOLOv5的检测头是一个耦合头，而FCOS和YOLOX的同类产品则将这两个分支解耦，并且在每个分支中引入额外的两个3×3卷积层以提高性能。在YOLOv6中，我们采用混合通道策略来建立一个更有效的解耦头。
- 具体来说，我们将中间的3×3卷积层的数量减少到只有一个。头部的宽度由骨干和颈部的宽度乘数共同缩放。这些修改进一步降低了计算成本，以实现更低的推理延迟。
2.损失函数
- YOLO v6的损失也由 分类损失 ，回归损失 组成
（1）分类损失
- 针对正负样本有不平衡的问题和正样本中不等权的问题，来发现更多有价值的正样本。因此选择 VariFocal Loss 作为分类损失
（2）回归损失
-
SIoU Loss在小模型上提升明显， GIoU Loss在大模型上提升明显，因此选择SIoU (for n/t/s) / GIoU (for m/l) 损失作为回归损失。
-
SIoU 损失是使用距离成本、形状成本 和 IoU成本定义的。角度成本在距离成本中使用。以下是SIoU公式:
-
-
Distance cost（距离损失）：描述了中心点之间的距离，其惩罚代价与角度代价呈正相关，当𝛼→0时，Distance cost的贡献大大降低。相反，𝛼越接近pi/4，Distance cost贡献越大。
-
角度成本：
-
Shape cost（形状损失）：形状成本是处理纵横比不匹配的部分。作者考虑的两框之间的长宽比，是通过计算两框之间宽之差和二者之间最大宽之比（长同理）来定义的，大体思路和CIOU类似，只不过CIOU可以的考虑是两框整体形状的收敛，而SIoU是以长、宽两个边收敛来达到整体形状收敛的效果。
（3）obj损失（未选择）
- 作为一个像FCOS和YOLOX一样的anchor-free框架，我们已经在YOLOv6中尝试了object loss。不太幸运的是，它并没有带来很多好的效果，所以选择丢弃了obj损失。