論文の概要: What is YOLOv6? A Deep Insight into the Object Detection Model

• arxiv url: http://arxiv.org/abs/2412.13006v1
• Date: Tue, 17 Dec 2024 15:26:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-18 13:58:26.700901
• Title: What is YOLOv6? A Deep Insight into the Object Detection Model
• Title（参考訳）: YOLOv6とは何か?オブジェクト検出モデルへの深い洞察
• Authors: Athulya Sundaresan Geetha,
• Abstract要約: 本研究は、YOLOv6オブジェクト検出モデルの詳細に焦点を当てている。 YOLOv6-NはNVIDIA Tesla T4 GPUで1187 FPSで37.5%APを達成した。 YOLOv6-Sは484 FPSで45.0%APに達し、PPYOLOE-S、YOLOv5-S、YOLOX-S、YOLOv8-Sといった同クラスのモデルより優れている。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: This work explores the YOLOv6 object detection model in depth, concentrating on its design framework, optimization techniques, and detection capabilities. YOLOv6's core elements consist of the EfficientRep Backbone for robust feature extraction and the Rep-PAN Neck for seamless feature aggregation, ensuring high-performance object detection. Evaluated on the COCO dataset, YOLOv6-N achieves 37.5\% AP at 1187 FPS on an NVIDIA Tesla T4 GPU. YOLOv6-S reaches 45.0\% AP at 484 FPS, outperforming models like PPYOLOE-S, YOLOv5-S, YOLOX-S, and YOLOv8-S in the same class. Moreover, YOLOv6-M and YOLOv6-L also show better accuracy (50.0\% and 52.8\%) while maintaining comparable inference speeds to other detectors. With an upgraded backbone and neck structure, YOLOv6-L6 delivers cutting-edge accuracy in real-time.
• Abstract（参考訳）: 本研究では, YOLOv6オブジェクト検出モデルについて, 設計フレームワーク, 最適化手法, 検出機能を中心に検討する。 YOLOv6のコア要素は、堅牢な特徴抽出のためのEfficientRep Backboneと、シームレスな特徴集約のためのRep-PAN Neckで構成され、高性能なオブジェクト検出を保証する。 COCOデータセットに基づいて評価されたYOLOv6-Nは、NVIDIA Tesla T4 GPU上で1187 FPSで37.5\% APを達成した。 YOLOv6-S は 484 FPS で 45.0\% AP に達し、PPYOLOE-S、YOLOv5-S、YOLOX-S、YOLOv8-S といった同クラスのモデルより優れている。 さらに、YOLOv6-MとYOLOv6-Lは、他の検出器と同等の推論速度を維持しながら、精度(50.0\%と52.8\%)も向上した。 改良されたバックボーンとネック構造により、YOLOv6-L6はリアルタイムに最先端の精度を提供する。

関連論文リスト

• What is YOLOv8: An In-Depth Exploration of the Internal Features of the Next-Generation Object Detector [0.0]
  本研究では, YOLOv8オブジェクト検出モデルの詳細解析を行った。 YOLOv5のような以前のイテレーションよりもアーキテクチャ、トレーニングテクニック、パフォーマンスの改善に重点を置いている。 論文では、Microsoft COCOやRoboflow 100のようなベンチマークにおけるYOLOv8のパフォーマンスをレビューし、その高精度でリアルタイムな機能を強調している。
  論文  参考訳（メタデータ） (2024-08-28T15:18:46Z)
• YOLOv5, YOLOv8 and YOLOv10: The Go-To Detectors for Real-time Vision [0.6662800021628277]
  本稿では、YOLOv5, YOLOv8, YOLOv10に着目し、YOLO(You Only Look Once)オブジェクト検出アルゴリズムの進化に焦点を当てた。 これらのバージョンにまたがるエッジデプロイメントのアーキテクチャの進歩、パフォーマンスの改善、適合性を分析します。
  論文  参考訳（メタデータ） (2024-07-03T10:40:20Z)
• YOLOv10: Real-Time End-to-End Object Detection [68.28699631793967]
  リアルタイムオブジェクト検出の分野では,YOLOが主流のパラダイムとして浮上している。 非最大抑圧(NMS)による処理後ハマーによるYOLOのエンドツーエンドデプロイメントへの依存。 YOLOの総合的効率-精度駆動型モデル設計戦略を紹介する。
  論文  参考訳（メタデータ） (2024-05-23T11:44:29Z)
• YOLO-World: Real-Time Open-Vocabulary Object Detection [87.08732047660058]
  オープン語彙検出機能でYOLOを強化する革新的なアプローチであるYOLO-Worldを紹介する。 提案手法は,ゼロショット方式で広範囲の物体を高効率で検出する。 YOLO-WorldはV100上で52.0 FPSの35.4 APを達成した。
  論文  参考訳（メタデータ） (2024-01-30T18:59:38Z)
• YOLO-MS: Rethinking Multi-Scale Representation Learning for Real-time Object Detection [63.36722419180875]
  YOLO-MSと呼ばれる効率的かつ高性能な物体検出器を提供する。 私たちは、他の大規模なデータセットに頼ることなく、MS COCOデータセット上でYOLO-MSをスクラッチからトレーニングします。 私たちの作業は、他のYOLOモデルのプラグイン・アンド・プレイモジュールとしても機能します。
  論文  参考訳（メタデータ） (2023-08-10T10:12:27Z)
• EdgeYOLO: An Edge-Real-Time Object Detector [69.41688769991482]
  本稿では, 最先端のYOLOフレームワークをベースとした, 効率的で低複雑さかつアンカーフリーな物体検出器を提案する。 我々は,訓練中の過剰適合を効果的に抑制する拡張データ拡張法を開発し,小型物体の検出精度を向上させるためにハイブリッドランダム損失関数を設計する。 私たちのベースラインモデルは、MS 2017データセットで50.6%のAP50:95と69.8%のAP50、VisDrone 2019-DETデータセットで26.4%のAP50と44.8%のAP50に達し、エッジコンピューティングデバイスNvidia上でリアルタイム要求(FPS>=30)を満たす。
  論文  参考訳（メタデータ） (2023-02-15T06:05:14Z)
• YOLOv6 v3.0: A Full-Scale Reloading [9.348857966505111]
  ネットワークアーキテクチャとトレーニングスキームに関して,多数の新たな拡張を施したYOLOv6を更新する。 YOLOv6-Nは、NVIDIA Tesla T4 GPUでテストされた1187 FPSのスループットでCOCOデータセットで37.5%APに達した。 YOLOv6-Sは484 FPSで45.0%のAPを攻撃し、他の主流検出器よりも高速である。
  論文  参考訳（メタデータ） (2023-01-13T14:46:46Z)
• YOLOv6: A Single-Stage Object Detection Framework for Industrial Applications [16.047499394184985]
  YOLOv6-Nは、NVIDIA Tesla T4 GPU上で1234 FPSのスループットでCOCOデータセットで35.9%APに達する。 YOLOv6-S は 495 FPS で 43.5% AP を攻撃し、他の主流検出器を同じ規模で上回っている。 YOLOv6-M/Lは、同様の推論速度を持つ他の検出器よりも精度(49.5%/52.3%)が高い。
  論文  参考訳（メタデータ） (2022-09-07T07:47:58Z)
• A lightweight and accurate YOLO-like network for small target detection in Aerial Imagery [94.78943497436492]
  小型ターゲット検出のためのシンプルで高速で効率的なネットワークであるYOLO-Sを提案する。 YOLO-SはDarknet20をベースとした小さな特徴抽出器と、バイパスと連結の両方を通じて接続をスキップする。 YOLO-Sはパラメータサイズが87%減少し、約半分のFLOPがYOLOv3となり、低消費電力の産業用アプリケーションに実用化された。
  論文  参考訳（メタデータ） (2022-04-05T16:29:49Z)
• PP-YOLO: An Effective and Efficient Implementation of Object Detector [44.189808709103865]
  本稿では, 相対的に効率と効率のバランスの取れた物体検出器を実装した。 YOLOv3が実際に広く利用されていることを踏まえ, YOLOv3に基づく新しい物体検出器を開発した。 本論文のすべての実験はPaddlePaddleに基づいて行われるので、PP-YOLOと呼ぶ。
  論文  参考訳（メタデータ） (2020-07-23T16:06:16Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。