从表2可以看到，在 YOLOv6-S/L 模型上，仅在 PAN 网络自上而下的传输路径引入 BiC 模块后，对推理速度影响保持在 4% 的情况下，检测精度分别提升 0.6% 和 0.4% AP。当我们尝试额外地在自底向上的信息流中将常规联结替换成 BiC 模块时，反而没有获得进一步正向的增益，因此我们仅在自上而下的路径中应用 BiC 模块。与此同时，我们还注意到，BiC 模块能够为小目标的检测精度带来 1.8% AP 的提升。

在表 3 中，对不同的 SPP 模块对模型精度和速度影响做了实验对比，其中包括经过简化设计的 SPPF、SPPCSPC 和 CSPSPPF 模块。除此之外，还尝试了在骨干网络 C3、C4 和 C5 的输出特征后分别采用了 SimSPPF 模块以加强特征的聚合表达，在表中用 SimSPPF * 3表示。从实验结果来看，重复使用 SimSPPF 模块虽然增加了计算量，但并没有带来检测精度的进一步提升。

经简化设计的 SPPCSPC 模块对比 SimSPPF 模块 在 YOLOv6-N/S 模型上分别提升了 1.6% 和 0.3% AP，但对推理速度 FPS 降低约10%。而当将 SimSPPF 模块替换为优化后的 SimCSPSPPF 模块后，在 YOLOv6-N/S/M 模型上分别取得了1.1%/0.4%/0.1% 的精度增益，同时推理速度对比 SimSPPCSPC 模块有较大的提升。因此，为了更好的精度-效率权衡，在 YOLOv6-N/S 上采用 SimCSPSPPF 模块，而在 YOLOv6-M/L 上采用 SimSPPF 模块。

1.2.2、全新的锚点辅助训练（Anchor-Aided Training）策略

使用 YOLOv6-N 作为基线，对 Anchor-based 和 Anchor-free 范式的异同点进行了相关的实验和分析

YOLOv6-N 分别采用 Anchor-based 和 Anchor-free 训练范式时，模型的整体 mAP 几乎接近，但采用 Anchor-based 的模型在小、中、大目标上的 AP 指标会更高。从以上的实验可以得出结论：相比于 Anchor-free 范式，基于 Anchor-based 的模型存在额外的性能增益。

同时发现，YOLOv6 使用 TAL 进行标签分配时，其模型精度的稳定性与是否采用 ATSS 预热有较大关系。当不使用 ATSS 预热时，对同样参数配置的 YOLOv6-N 进行多次训练，模型精度最高可达35.9% mAP，最低至 35.3% mAP，相同模型会有 0.6% mAP 的差异。但当使用 ATSS 预热时，模型精度最高却只能到达 35.7% mAP。从实验结果可以分析得出，ATSS 的预热过程利用了 Anchor-based 的预设信息，进而达到稳定模型训练的目的，但也会在一定程度上限制网络的峰值能力，因此并不是一种最优的选择。

受到上述工作的启发，我们提出了基于锚点辅助训练（Anchor-Aided Training，AAT）策略。在网络训练过程中，同时融合 Anchor-based 和 Anchor-free 的两种训练范式，并对全阶段网络进行映射及优化，最终实现了Anchor 的统一，充分发挥了结合不同 Anchor 网络的各自优势，从而进一步提升了模型检测精度。之外，还提出灵活配置的训练策略，仅在训练过程中引入额外的辅助分支，在测试过程中不予使用。最终在不增加推理时间的情况下，提升网络精度，无痛涨点

采用 AAT 训练策略的消融实验结果如下表 5 所示。我们在 YOLOv6 的各尺寸模型上进行了实验，其中 YOLOv6-S 模型采用 AAT 策略后有 0.3% 的精度增益，而在 YOLOv6-M/L 模型上分别带来了0.5% 的精度增益。值得注意的是，YOLOv6-N/S/M 在小目标检测的精度指标得到了显着增强。

1.2.3、无痛涨点的 DLD 解耦定位蒸馏策略

基于解耦检测任务和蒸馏任务的 DLD（Decoupled Location Distillation）算法，在网络每一层的回归头上分别添加了额外的强化回归分支，在训练阶段，该分支同样会参与 IoU 损失的计算，并将其累加到最终的 Loss 中。

在目标检测的蒸馏任务中，LD 通过引入 DFL 分支，从而达到了在网络中对定位信息蒸馏的目的，弥补了 Logit Mimicking 方法无法使用定位蒸馏信息的不足。但是DFL 分支的添加，对于小模型速度的影响是很明显的，YOLOv6-N 的速度下降了 16.7%，YOLOv6-S 的速度下降了 5.2%。而在实际的工业应用当中，对于小模型速度的要求往往很高。因此，目前的蒸馏策略并不适合于工业落地。

针对这个问题，我们提出了基于解耦检测任务和蒸馏任务的 DLD（Decoupled Location Distillation）算法。DLD 算法会在网络每一层的回归头上分别添加了额外的强化回归分支，在训练阶段，该分支同样会参与 IoU 损失的计算，并将其累加到最终的 Loss 中。通过增加的额外的强化回归分支，可以对网络添加更多的额外约束，从而对网络进行更全面细致的优化。并且，DLD算法在对强化回归分支进行训练时，引入了分支蒸馏学习策略。

1.3、总结

从商业应用的角度，对YOLO开源目标检测器进行了深度的改进实验，从骨架模型的构建到检测头的解耦操作，从损失函数的选取到量化部署，始终保持了速度与精度的均衡优势。该YOLOv6是无锚检测器。

第三方的评价
当YOLOv7被大量报道，并被冠以“当前最快最强”的目标检测器时，YOLOv6最近版本已经在推理速度精度的均衡把YOLOv7打败，但YOLOV6引起一阵争议。

美团出品的YOLO模型“拿”其它家的技术，搞成一个超级“缝合怪”把V6的坑给占了。有人指出它虽然在速度和精度上取得了优势，但避开参数量的对比。但作者从商业应用角度出发，比起参数量和运算量的对比，更关注速度性能，无可厚非。

2、测试

使用的模型 yolov6m.pt 进行测试。

2.1、官方项目测试

修改yolov6/core/inferer.py中infer()函数的代码，进行模型预热、显示时间的代码

    for i in range(0,5): self.model(img)         # 增加
                
    t1 = time.time()
    pred_results = self.model(img)
    det = non_max_suppression(pred_results, conf_thres, iou_thres, classes, agnostic_nms, max_det=max_det)[0]
    t2 = time.time()

    print("img_src process time: ", t2-t1)       # 增加

测试如下

>python tools\infer.py --weights=weights/yolov6m.pt --source=data/images/bus.jpg --yaml=data/coco.yaml --img-size 640 640 --device cpu

切换到 GPU 的代码 --device 0 测试结果

2.2、opencv dnn测试

首先导出onnx模型，脚本为

python deploy\ONNX\export_onnx.py --weights weights\yolov6m.pt --img 640 --batch 1 --simplify

由于网络输出结果与 yolov5、yolor一致（见前面博客代码），复用之前的代码测试，python脚本默认预处理将原图等比缩放调整到640*640，使用之前的测试图片，识别置信度都是100%，有点离谱；

另外，不进行等比缩放调整 bool letterBoxForSquare = false;，竟然将楼房阳台上的自行车识别出来了，又强的离谱了。

2.3、测试统计

python(CPU)：393ms
python(GPU)：25ms

opencv dnn(CPU)：350ms
opencv dnn(GPU)：35ms

openvino(CPU)：337ms
onnxruntime(GPU)：31ms
TensorRT：15ms