🎄🎄YOLOv8才刚刚发布！美团出品 | YOLOv6 v3.0它来啦！其优越性能已超越当下主流检测器YOLOv7、v8！！！🎈🎈

YOLOv6 3.0亮点贡献：

1.更好的网络结构设计：使用双向串联Bi-directional Concatenation (BiC)模块更新了检测器的颈部，以提供更准确的定位信号。同时，将 YOLOv5/v8 中的SPPF模块简化为 SimCSPSPPF模块，在速度几乎保持不变的同时提升精度。

2.辅助训练分支：提出了一种 Anchor-Aided Training的辅助训练(AAT)策略，以在不影响推理效率的情况下同时享受到 Anchor-Based 和 Anchor-Free范式的优势。

3.网络层数加深：在更高分辨率输入下达成新的SOTA性能。

4.更好的蒸馏策略：在回归分支中使用DFL（Distribution Focal Loss）做蒸馏学习；由于DFL的引入会导致reg分支结构变大，因此在小模型中DFL只用于辅助训练，推理时不使用DFL，以提升小模型的推理速度。

🍀相关实验效果：

二、创新改进模块 🎄🎈

（一）BiC模块以及SimCSPSPPF模块

作者在YOLOv6 3.0使用了增强型的PAN作为Neck，网络总体结构如下图所示。同时，使用了Bi-directional Concatenation(BiC)来融合Backbone输出的相邻层的特征。BiC还使用了backbone中的特征，以保留更精确的定位信息，利于小目标的检测。并将SPPF block与CSP进行结合，并简化了SPPF block，如下图图（c）所示。

（二）Anchor-Aided Training

YOLOv6是一种追求更高推理速度的Anchor-free检测器，但作者在实验中发现：在同等配置(YOLOv6-N)下，相比Anchor-free方案，Anchor-based方案可以带来额外的性能增益。

作者提出了一种 Anchor-Aided Training的辅助训练(AAT)策略，引入了一个Anchor-based辅助分支以组合两种方案的优势。通过这种训练策略，来自辅助分支的引导信息可以被有效的嵌入到Anchor-free分支。在推理阶段，辅助分支将被移除掉。

（三）自蒸馏策略

作者在分类蒸馏的基础上，还引入了DFL（Distribution Focal Loss）用于回归分支的蒸馏。

作者采用了这种新的自蒸馏策略DFL，提高了 YOLOv6小模型的性能，其中 DFL 的较重分支在训练期间被用作增强的辅助回归分支，并在推理时被移除以避免推理速度下降。