摘要

多年来，YOLO系列已成为高效目标检测领域公认的行业标准。YOLO社区蓬勃发展，极大地拓展了其在各类硬件平台和丰富应用场景中的实用性。在本技术报告中，我们致力于将YOLO系列的性能推向新高度，以坚定的产业应用导向持续前行。针对真实场景中对速度与精度多样化的需求，我们全面调研了来自工业界与学术界的最新目标检测进展。具体而言，我们深入吸收了近期在网络结构设计、训练策略、测试技术、量化方法及优化手段等方面的创新思想。在此基础上，结合我们的研究思考与工程实践，构建了一套覆盖多种尺度、可直接部署的网络模型，以满足多样化的实际应用需求。在YOLO原作者的大力支持与授权下，我们将其命名为YOLOv6。我们诚挚欢迎广大用户与贡献者共同参与，持续推动该模型的优化与完善。性能方面，YOLOv6-N在NVIDIA Tesla T4 GPU上实现了1234 FPS的吞吐量，同时在COCO数据集上达到35.9%的AP（平均精度）；YOLOv6-S在495 FPS的推理速度下取得43.5%的AP，显著优于同规模主流检测器（如YOLOv5-S、YOLOX-S和PPYOLOE-S）。此外，YOLOv6-S的量化版本更实现了43.3%的AP，达到869 FPS的推理速度，刷新了同类模型的性能纪录。在更大规模的YOLOv6-M和YOLOv6-L上，我们也取得了优于同类检测器的精度表现（分别为49.5%和52.3%），同时保持相近的推理速度。我们通过系统性实验对各组件的有效性进行了严谨验证。相关代码已开源，欢迎访问：https://github.com/meituan/YOLOv6。