YOLOv6: A Single-Stage Object Detection Framework for Industrial Applications
- 発表先
- 正式な発表先は未確認
- arXiv への初回投稿
- arXiv:2209.02976
この論文を引用 · BibTeX
引用情報はリンク先の論文の版に対応し、原論文の著者を記載しています。
@misc{objectdetectionyolov62022,
title = {{YOLOv6: A Single-Stage Object Detection Framework for Industrial Applications}},
author = {Chuyi Li and Lulu Li and Hongliang Jiang and Kaiheng Weng and Yifei Geng and Liang Li and Zaidan Ke and Qingyuan Li and Meng Cheng and Weiqiang Nie and Yiduo Li and Bo Zhang and Yufei Liang and Linyuan Zhou and Xiaoming Xu and Xiangxiang Chu and Xiaoming Wei and Xiaolin Wei},
year = {2022},
eprint = {2209.02976},
archivePrefix = {arXiv},
url = {https://arxiv.org/abs/2209.02976}
}
YOLOv5 には公式論文がないので、ここでは直接 v6 を見ていきます。
YOLOv6 は中国の生活サービスプラットフォーム Meituan のコンピュータビジョンチームが主導して開発しました。
問題の定義
YOLO シリーズは産業応用において常に非常に高い普及率を誇っています。
その理由はただ一つ、シンプルで高速、かつ十分な精度だからです。
しかし、タスクの種類が増え、展開環境が複雑化するにつれて、かつて「十分で良い」とされていた基本的な仮定が徐々に支えきれなくなってきました。
例えば、同じブロックを小型から大型へそのまま拡張すると、得られる性能以上にパラメータや計算量が増えかねません。訓練時に有効な再パラメータ化構造も、INT8 量子化後には AP を大きく落とすことがあります。
FLOPs や一つの FPS 値だけでは、対象ハードウェア、バッチサイズ、精度形式でどう動くかは分かりません。ラベル割り当て、損失設計、蒸留も、同じ訓練・展開の流れに置いてコストを見積もる必要があります。
もっと核心的な問題は、
「モデルが十分に速く、十分に正確」と言う時、我々が本当に指しているものは何か?
それは A100 上でのベンチマークスコアか、T4 上でのリアルタイム応答か?訓練精度曲線の終点か、それとも産業現場で安定的に一ヶ月動作できるか?
これらの問題が積み重なることで、技術的な細部だけでなく設計の観点でも意見の相違が生まれます。
YOLO アーキテクチャを振り返ると、これまでの進化はモジュールの積み重ね、特徴融合、データ拡張技術に偏っていました。しかし、産業展開の門前で、モデルの量子化可能性、モジュールの再パラメータ化可能性、訓練戦略、ハードウェア親和性こそが再考すべき核心であることが分かります。
問題の解決
YOLOv6 は設計思想を 6 つの戦略的側面に分けています:
- ネットワーク設計(Network Design)
- ラベル割り当て(Label Assignment)
- 損失関数(Loss Function)
- 訓練強化(Industry-handy Improvements、自己蒸留を含む)
- 量子化と展開(Quantization and Deployment)
- データ拡張(Data Augmentation)
ネットワーク設計
物体検出モデルは基本的に三つのコアモジュールに分解できます:
- Backbone、Neck、Head。
この部分は誰もがすぐに理解できるでしょう。
Backbone は特徴抽出を担当し、モデルのセマンティック表現力と大部分の計算コストを決定します。Neck は異なるレベルの特徴マップを統合し、多尺度のピラミッド構造を構築します。Head はこれらの特徴マップに基づき分類とボックス予測を行います。
YOLOv6 はこの三者をすべて再設計し、モデル規模に応じて差別化を図っています。コアの理念は:
異なるモデルサイズに応じて異なるアーキテクチャを設計する。
小型モデルには YOLOv6 は RepBlock の再パラメータ化モジュールを Backbone の主体として採用しています。この変換機構は RepVGG の設計思想に由来し、訓練は学習のために設計し、推論は展開に最適化することを目指しています。
RepBlock モジュールは上図(a)の通りで、訓練時はマルチブランチ構造を含み特徴表現の学習を助けます。推論段階では単一経路の 3×3 畳み込みに変換され、ハードウェアの計算密度と並列効率を最大化します。特に主流 GPU/CPU 上で良好な性能を発揮します。
しかしモデル規模が大きくなると単一路経路の構造はパラメータ数と計算量が急速に増加します。そこで YOLOv6 は中〜大型モデル向けに新たな設計 CSPStackRep Block を導入しました(上図(c)参照)。これは CSP 構造 と RepBlock 再パラメータ化機構 を融合したハイブリッドモジュールです。
内部は 3 つの 1×1 畳み込みと複数の RepBlock の積み重ねで構成されます。CSP の部分経路を分け、二つの経路を結合する構造であり、単純な残差加算経路ではありません。効果は原論文 Table 2 の同設定比較で確かめましょう。
次に Neck 部分を見ていきます。
YOLOv6 は v4/v5 で使われていた PAN(Path Aggregation Network) 構造を Neck の主体として継続採用しています。異なる点は小型モデルが RepBlock を用いる一方で、大型モデルは CSPStackRep Block を用い、v5 の CSPBlock を置き換えています。
この構造は作者により Rep-PAN と命名され、モデルサイズに応じて幅と深さが動的に調整されます。これにより異なるレベルと空間スケールの特徴が効率的に流れ、推論効率も維持されます。
全体構造は以下の図の通りです。
最後に Head の設計最適化です。
v5 の結合型設計や YOLOX が導入した追加 2 層の 3×3 畳み込みによる解耦型 Head と比べ、YOLOv6 は解耦型設計の Efficient Decoupled Head を採用し、中間の畳み込み層は 1 層に留めています。また Backbone と Neck の幅に応じて全体のチャネル数を調整しています。
さらに YOLOv6 はアンカーフリー方式を採用し、アンカーポイントに基づく戦略を取っています。モデルは一組のアンカーボックスを予め定めるのではなく、各点から目標境界までの距離を直接予測します。回帰 head は各点からボックス四辺までの距離を予測します。一点ごとに複数の既定ボックスを置かないため、出力次元とデコードは簡素になります。ただし速度上の利点は同条件のハードウェア比較で確認する必要があります。
ラベル割り当て
ラベル割り当て(Label Assignment)は物体検出の訓練工程における重要なステップです。
これは訓練段階で各 ground-truth オブジェクトを一組のプリセットアンカーや予測点に対応付ける役割を担います。この過程は正負サンプルの分布を決定し、分類と回帰の両ブランチの学習ダイナミクスに直接影響します。
初期の手法は主に幾何学的条件に基づき、IoU ベースの戦略やバウンディングボックス内部判定法など、直感的なロジックでしたが、多尺度オブジェクトや不均一な背景には弱い面がありました。
近年ではラベル割り当てを最適化問題やタスクアライメント問題として捉える高度な手法が登場しています。
-
SimOTA:理想的な輸送問題、理想的でない収束挙動
YOLOv6 の初期バージョンでは SimOTA をラベル割り当て戦略に採用していました。
この方法は OTA(Optimal Transport Assignment)に由来し、ラベル割り当てを全体的な輸送問題としてモデル化し、損失関数を距離尺度として用いて分類と回帰の結果間で最適な割り当てを目指します。
SimOTA は OTA の簡略版で、コアの思想を残しつつハイパーパラメータの複雑さを軽減しました。しかし実務では以下の問題が観察されました:
- SimOTA 導入で訓練時間が大幅に延長される;
- 訓練が不安定になることもある。論文は初期化や学習率を原因として個別に特定していません。
これらの理由から、より安定で訓練に優しい代替策を模索することになりました。
-
TAL:分類と位置推定のタスクアライメント
最終的に採用されたのは Task Alignment Learning(TAL) です。
これは TOOD で提案された手法で、IoU のような幾何指標だけに依存せず、分類スコアと予測ボックス品質を統合した指標を使います。これにより分類と回帰の両タスクブランチが割り当て過程でアライメントされます。
この設計の主な利点は:
- 分類と回帰間のタスク不整合を緩和し、モデル全体の一貫性を向上させる;
- 著者の設定では訓練が比較的安定し、Table 6 の AP は SimOTA より高い。ただし収束時間とハイパーパラメータ感度は別々に測定されていません。
TOOD の元々の構造では T-head と TAP(Task-Aligned Predictor)モジュールも導入されていましたが、PP-YOLOE ではそれらを軽量化した ET-head を採用しています。
しかし YOLOv6 の実験では ET-head 導入による精度向上は見られず、逆に推論速度の低下を招いたため、Efficient Decoupled Head 設計を維持し、TAL のみラベル割り当てに採用しています。
実験結果から、TAL は SimOTA より精度が高いだけでなく、訓練の安定性を大幅に改善し、最終的に YOLOv6 のデフォルトのラベル割り当てメカニズムとなりました。
損失関数
物体検出タスクは本質的に二つのサブタスクに分かれます:分類 と 位置特定。それぞれ分類損失とボックス損失という学習信号に対応します。この二つの損失経路は予測精度に影響を与えるだけでなく、モデル全体の収束速度や安定性にも共同で作用します。
YOLOv6 では、これら二つのサブタスクに対する損失設計について多くの実験を重ね、最終的に最もバランスの取れた組み合わせ戦略を選択しました。
-
分類損失:正負サンプルの信号強度のバランス
分類ブランチにおいて、従来のクロスエントロピー損失は正負サンプルの不均衡時に、モデルが簡単なサンプルを過学習し、難しい少数サンプルを無視しがちでした。これを解決するために Focal Loss が提案され、簡単に分類できるサンプルの損失重みを下げ、難しいサンプルに集中させます。
さらに以下の拡張がありました:
- Quality Focal Loss (QFL) は分類スコアと予測ボックス品質を統合し分類監督に用いる;
- Poly Loss は損失関数を多項式形式で展開し汎化性能向上を目指す;
- VariFocal Loss (VFL) は非対称に正負サンプルを扱い、正サンプルにより高い信号強度を与え信号分布のバランスを改善。
実験比較の結果、YOLOv6 は最終的に VFL を分類損失関数として採用しました。Table 8 で Focal Loss より N/S/M が 0.2/0.3/0.1 AP ポイント高いためです。ただし N では QFL が VFL よりさらに 0.2 ポイント高くなります。
-
ボックス損失:IoU から確率分布へ
位置特定損失の設計の核心は、予測ボックスをできるだけ正解ボックスに近づけることです。初期は L1 や L2 損失を使っていましたが、評価指標(IoU など)と整合せず学習が偏ることがわかりました。
そこで IoU 系列の損失が提案されました:
- GIoU、DIoU、CIoU はそれぞれ外接ボックス面積、中心距離、縦横比などの幾何情報を加味;
- SIoU は対角方向や角度方向の収束挙動をさらに考慮。
YOLOv6 では以下の方針を取っています:
- 小型モデル(YOLOv6-N/T)は SIoU を使用;
- 方法節ではその他の規模に GIoU と記します。一方、Table 9 の M 消融では CIoU が 48.3 AP と GIoU の 48.2 をわずかに上回ります。消融の最高値だけから最終重みの損失設定を決めつけないでください。
さらに中大型モデルでは DFL(Distribution Focal Loss) を導入。DFL はボックス辺の位置を離散的な確率分布として表し、近傍位置にも学習信号を与えます。この分布を校正済みの予測不確実性と同一視してはいけません。ただし計算コストを考慮し、YOLOv6-M/L のみで利用し、小型モデルは採用しません。
-
オブジェクト存在損失:効果がなかった設計
著者は YOLOX などに見られるような objectness loss も試みました。しかし YOLOv6 のアンカーフリー構造下では精度の改善を得られず、最終的にモデル本体には組み込まれませんでした。
総じて、YOLOv6 の損失設計はタスクアライメント+信号強化の戦略をとっています:
- 分類ブランチは信号の非対称性を重視し、VFL によりモデルの判別力を安定化;
- 回帰ブランチは小型モデルで安定かつ高速学習を重視し、大型モデルで複雑かつ高精度な DFL を許容;
- DFL の推論コストは小型モデルほど厳しく、中大型モデルでは小幅な AP 向上のためにそのコストを受け入れています。
量子化と展開
産業応用では「速さ」が最重要です。
したがって、性能を大きく損なわずに推論速度を向上させることが、モデル設計や訓練以外の現実的な課題となります。
量子化(Quantization)はこの課題に対する主要な解決策です。
しかし、YOLOv6 のように再パラメータ化モジュール(re-parameterization blocks)を多用するアーキテクチャでは、従来の量子化プロセスが適用しにくい問題があります。
「後訓練量子化(PTQ)」を適用すると、精度が特に大幅に低下してしまいます。「量子化認識訓練(QAT)」では、訓練時と推論時の fake quantizer を整合させる必要があります。
現在のところ、YOLOv6 は問題を分解して個別に対応しています。
-
RepOptimizer:最適化器レベルで再パラメータ化の量子化問題を解決
量子化向けの訓練では RepOptimizer を使用します。これは再パラメータ化構造に特化した勾配最適化戦略で、各最適化ステップで勾配を再パラメータ化します。この方法で後の PTQ に適した重みを学習します。
実験結果は下図の通りで、この方法で訓練されたモデルは特徴分布の範囲が狭くなり、PTQ により適したものになります。活性値分布が狭くなったことは PTQ に有利な兆候ですが、実際の AP は Table 15 で確認します。PTQ には小規模な校正集合が必要で、長期のオンライン安定性は測っていません。
Li ら,YOLOv6,Figure 4,arXiv:2209.02976v1
-
感度分析:float でモデルの弱点を保護
RepOptimizer で訓練しても、一部レイヤーで量子化後に精度低下が顕著になることがあります。そこで YOLOv6 は 感度分析(sensitivity analysis) を用い、層ごとに量子化が特徴マップに与える影響を評価し、最も影響の大きい層を特定します。
評価指標には以下を用います:
- MSE(平均二乗誤差)
- SNR(信号対雑音比)
- コサイン類似度
YOLOv6-S モデルに対して分析を行い、影響が最も大きい上位 6 層を float 計算のまま残し、その他の層を量子化する混合精度の展開戦略を採用しました。精度は改善しますが、一部の浮動小数点演算は残ります。
-
QAT +チャネル単位蒸留
Li ら,YOLOv6,Figure 5,arXiv:2209.02976v1 一部の展開環境では、RepOptimizer と混合精度でも十分でない場合があります。その際は量子化認識訓練(QAT)を導入します。YOLOv6 は以下の改良を加えています:
- この QAT 方法は RepOptimizer で訓練したモデルを基礎にし、訓練時と推論時の偽量子化器(fake quantizer)の不整合に対処する;
- チャネル単位蒸留(Channel-wise Distillation)を組み合わせ、FP32 モードの自己出力を教師として量子化訓練を指導。
この自己蒸留設計によりチャネルレベルの分布学習が改善され、量子化過程で失われがちな細部情報を補完します。
実装の詳細
YOLOv6 の訓練フローは基本的に YOLOv5 の設定を踏襲しており、以下の訓練テクニックと戦略を含みます:
- 最適化器:モメンタム付き確率的勾配降下法(SGD with momentum)を使用;
- 学習率調整:コサイン減衰(cosine decay)を採用;
- その他の技術:ウォームアップ初期化、グループ化された weight decay、指数移動平均(EMA)。
データ拡張には広く効果が検証されている強力な手法 Mosaic と Mixup を用いており、こちらも YOLOv4/YOLOv5 の実装慣例を継承しています。
訓練データは COCO 2017 の訓練セット、検証は COCO 2017 の検証セットを使用。
YOLOv6 のモデルは 8 枚の NVIDIA A100 で訓練されました。主要な FP16 比較は Tesla T4 と TensorRT 7.2 を使いますが、量子化の Table 17 は TensorRT 8 と明記されています。二つの表を同一の測定系として扱えません。
実験結果と考察
本論文では自己蒸留の計画と実験に一定の分量が割かれていますが、ここでは篇幅の都合上、重要な結果のみを抜粋して議論します。自己蒸留技術に興味のある読者は、原論文を参照してください。
他のアーキテクチャとの比較
YOLOv6 の核心目標は産業展開に向けた高効率検出器の構築であるため、著者が重視するのは FLOPs やパラメータ数ではなく、実際の展開後の推論効率であり、具体的には:
- Throughput(FPS):バッチサイズ 1 および 32 時の推論フレームレート;
- Latency(レイテンシ):単一画像処理の平均遅延時間。
実験では YOLOv6 シリーズを以下の同種 YOLO アーキテクチャと比較しています:
- YOLOv5
- YOLOX
- PP-YOLOE
- YOLOv7
Table 1 の速度は同じ Tesla T4、FP16 TensorRT 環境で測っています。ただし COCO val の AP は訓練手順の異なるモデルから得られ、比較対象には入力サイズの違いもあります。
YOLOv7-Tiny の成績は、公開されているモデルと公式重みを用い、入力サイズ 416 および 640 で再テストされています。
原論文 Table 1 には AP、FPS、遅延、パラメータ数、FLOPs が並びます。入力サイズと測定条件を確認してから読むと:
- YOLOv6-N は 640×640 入力で 35.9 AP、802 FPS(bs=1)、1.2 ms。YOLOv5-N も 640 入力で 28.0 AP なので差は 7.9 AP ポイントです。論文の 2.6 ポイント差は 416×416 の YOLOv7-Tiny(33.3 AP)との比較であり、同解像度での優位を示しません。
- YOLOv6-S は 43.5 AP。YOLOX-S の 40.5、PPYOLOE-S の 43.1 より 3.0/0.4 ポイント高く、T4 の bs=1 では順に 358/333/327 FPS です。
- 入力サイズ 640 の設定では、YOLOv6-T が YOLOv5-S / YOLOv7-Tiny に対し、AP が 2.9 ポイント高くし、batch size = 1 時の推論速度は 73 / 25 FPS 高速化。
- YOLOv6-M は 49.5 AP。Table 1 の小数一桁をそのまま引くと、YOLOv5-M/YOLOX-M/PPYOLOE-M より 4.1/2.6/0.5 ポイント高い値です。本文の 4.2/2.7/0.6 は丸め前の値で計算した可能性があります。M には自己蒸留も入る。
- 大型モデル比較では、YOLOv6-L は 52.5 AP で、YOLOX-L/PPYOLOE-L より 2.8/1.1 ポイント高い値です。bs=1 の遅延は順に 10.2/10.6/10.1 ms。PPYOLOE-L とは厳密に同一の遅延ではありません。
また、作者はより高速な変種として YOLOv6-L-ReLU を提供。SiLU 活性化関数を ReLU に置換しています。
レイテンシを増やさずに 51.7% AP、レイテンシ 8.8ms を達成し、精度・速度両面で YOLOX-L、PP-YOLOE-L、YOLOv7 を上回っています。
消融実験
YOLOv6 の設計選択が最終性能に実際に影響するかを検証するため、著者は系統的な消融実験を行い、以下の三つの側面をカバーしました:ネットワーク構造、ラベル割り当て、損失関数。すべての実験は主に YOLOv6-N/S/M モデルをベースに、一貫した訓練・テスト設定下で比較されています。
まず、単一路構造と多分岐構造(CSPStackRep Block)が異なるモデル規模で示す性能を比較。
原論文 Table 2 を見ると:
- YOLOv6-N の RepBlock は 35.2 AP/1237 FPS、CSPStackRep は 32.7 AP/1257 FPS(bs=32)。単一路構造の優位はこの表では AP であり、FPS ではありません。
- YOLOv6-S では両構造の性能はほぼ同等。
- YOLOv6-M の CSPStackRep 2/3 は 48.1 AP/237 FPS、RepBlock は 47.9 AP/137 FPS。L の二つの係数はどちらも 50.1 AP で、1/2 が 151 対 149 FPS と少し速くなります。
Table 3 の L-neck 二設定では、狭く深い側が 50.8→51.0 AP、速度は 123→122 FPS です。この 0.2 ポイント差から「深いほど検出に適する」という一般則は導けません。
その他の分析は詳細ですが、結論だけ挙げます:
- Conv + SiLU が最高精度を持つ。
- RepConv + ReLU は速度と精度のバランスが良い。
- 解耦 Head(DH)導入で AP が 1.4 ポイント上がり、推論時間は約 5% 増える。
- Anchor-free 構造は anchor-based より推論速度が 51%高速。これは出力次元圧縮による。
- Backbone と Neck の統一改良(EB+RN)で AP が 3.6 ポイント上がり、速度も 21% 向上する。
- ハイブリッドチャネルの解耦 Head(HC)はさらに 0.2 ポイントの AP と 6.8% の FPS 向上をもたらす。Table 5 の各増分は直前の行が基準となる。
ラベル割り当て戦略では、TALが最良で、YOLOv6-N で35.0% APを達成し SimOTA より 0.5 ポイント高く、訓練も安定した。Table 7 の ATSS warm-up の有無による差は 0.1 ポイントである。
損失関数設計は VFL、QFL、Focal Loss、Poly Loss で比較し、VFL は Focal Loss に対して YOLOv6-N/S/M でそれぞれ 0.2/0.3/0.1 AP ポイント高く、最終的にデフォルトの分類損失とされた。ただし N は QFL の 35.4% が VFL の 35.2% より高い。
IoU 系列損失と確率分布損失のテストでは:
- SIoUが YOLOv6-N および YOLOv6-T で最高性能。
- CIoU は Table 9 の M 消融で 48.3 AP と最高ですが、方法節はその他の規模に GIoU と書いています。
- DFL は N/S/M に 0.2/0.1/0.2 AP ポイントの向上をもたらすが小型モデルで推論速度に影響するため、YOLOv6-M/L のみで採用。
物体存在損失を導入すると、表では YOLOv6-N/S/M の AP がそれぞれ 1.1/1.5/1.5 ポイント下がる。論文本文の「最大 1.1」という記述とは一致しない。
著者はこれを、TAL 戦略の分類と回帰のタスクアライメントロジックに起因すると考え、object ブランチ追加で二タスクから三タスクに拡張され損失最適化が混乱したため、最終的に「物体存在損失は使用しない」と決定した。
量子化結果
YOLOv6 の量子化設計が実際の展開環境で効果を発揮するか検証するため、著者は YOLOv6-S を主体に完全な PTQ(後訓練量子化)と QAT(量子化認識訓練)実験を行い、v1.0 および v2.0 のモデルバージョン別にテストを実施しました。すべてのモデルは 300 エポックで訓練されています。
-
後訓練量子化(PTQ)
まず、RepOptimizer 未使用と使用時の PTQ 効果を比較した結果は以下の通りです:
Li ら,YOLOv6,Table 15,arXiv:2209.02976v1 v1.0 では RepOptimizer 使用時の FP32 AP は 42.4 のまま、PTQ INT8 は 35.0→40.9。v2.0 では FP32 が 43.4→43.1、PTQ INT8 が 41.3→42.6 です。「FP32 に影響しない」は前者だけに当てはまり、後者では 0.3 AP ポイントの代価も含めて見る必要があります。
-
量子化認識訓練(QAT)
YOLOv6 v1.0 に対しては、非感度層に限定した Partial QAT を実施。また、Full QAT と Channel-wise Distillation(CW Distill)併用時の比較も行っています:
Li ら,YOLOv6,Table 16,arXiv:2209.02976v1 Table 16 では Partial QAT + CW 蒸留が 42.3 AP/503 FPS、Full QAT + CW 蒸留が 42.1 AP/528 FPS。前者は 0.2 AP ポイント高い一方、25 FPS 遅い値です。+7.3 はこれらの工程を使わない 35.0 AP 基準との差であり、Full QAT に対する 7.3% の改善ではありません。
v2.0 では量子化感度層が再設計・除去されているため、QAT はネットワーク全体で直接実施可能です。グラフ最適化や量子化モジュールの簡素化と組み合わせ、精度と推論速度のさらなる向上を達成しました。
著者はこのバージョンを PaddleSlim の各種量子化モデルと比較しています:
Li ら,YOLOv6,Table 17,arXiv:2209.02976v1 Table 17 の v2.0 YOLOv6-S QAT は 43.3 AP/596 FPS(bs=1)/869 FPS(bs=32)、同表の FP16 は 43.4 AP/377/541 FPS。差は 0.1 AP ポイントです。この T4 の速度には TensorRT 8 を使用しており、Table 1 の TensorRT 7.2 と混ぜたり、全デバイスの順位へ一般化したりはできません。同表の公開量子化モデルとの比較も、この測定条件内の結果として読みます。
RepOptimizer、選択的 QAT、チャネル蒸留、グラフ最適化により、v1.0 の量子化精度の差は大幅に縮まりました。v2.0 は同表の FP16 に近い AP と高い T4 スループットを示します。ただし各工程の寄与は同じ版の消融結果で読む必要があります。
結論
YOLOv6 の主な貢献は以下の通りです:
- モデル規模に応じ、小型モデルには再パラメータ化アーキテクチャ、大型モデルには高効率な多分岐アーキテクチャを設計;
- TAL、VFL、規模ごとに選ぶ IoU 損失、M/L のみに用いる DFL を採用;
- 長期訓練、自蒸留、グレーエッジ処理、Mosaic など複数の工学的工夫で性能を強化;
- RepOptimizer と混合精度の PTQ/QAT 戦略を組み合わせ、即時展開可能な量子化検出器を構築。
エンジニアにとって YOLOv6 の価値は、モデル規模、学習目標、量子化、T4 遅延を一枚の設計図で考えられる点です。ただし「速い」という数字にはバッチサイズ、入力解像度、精度形式、TensorRT の版を必ず添えて読みたいところ。量子化後の 43.3 AP/869 FPS は魅力的です。