【YOLO系列复现】二、基于YOLOv6的目标检测：YOLOv6训练自己的数据集(史诗级详细教程)

官方模型：YOLOv6/README_cn.md at main · meituan/YOLOv6

1、模型和环境准备

1.1 模型下载

1.2 依赖环境安装

1.3 权重文件下载

1.4 环境测试

2、配置文件和数据集准备

2.1 准备数据集

2.2 配置文件准备

2.3 BUG修改

3、模型训练

3.1 模型训练

3.2 训练结果介绍

（1）. best_ckpt.pt

（2）. last_ckpt.pt

（3）区别总结

4、模型评估与推理

4.1 模型评估

4.2 模型推理

参数详解

1、模型和环境准备

1.1 模型下载

首先要做的是将yolov6模型克隆到本地，yolov6模型官网：YOLOv6，你可以点击里面进去下载到本地，也可以通过git clone的方式下载到本地，如下：

git clone https://github.com/meituan/YOLOv6

通过git clone的方式下载到本地：

下载到本地后，有一个YOLOv6文件夹，如上。

1.2 依赖环境安装

终端指令进入到YOLOv6文件夹下载，进行依赖包按，如下：

cd YOLOv6
pip install -r requirements.txt

安装如下图：

1.3 权重文件下载

依赖环境安装完成后，进行模型权重文件下载，yolov6的权重文件有多个版本。

进入这个地址下载权重：YOLOv6,找到如下Benchmark模块，如下：

需要用什么模型，就点击对应的模型直接进行下载，例如我用的是yolov6s.pt,即我下载的YOLOv6-S，每一个模型都有自己的特点，详细介绍在下面。

YOLOv6 是一种高效的实时目标检测模型，提供了多种预训练权重模型，每个模型都有其特定的特点和应用场景。以下是 YOLOv6 提供的一些常见预训练权重模型及其主要区别：

模型特点和区别：

1.YOLOv6-N (Nano)

（1）特点：

推理速度极快，但在精度上有一定牺牲。
极其轻量级的模型，适合资源极度受限的设备。

（2）适用场景：物联网设备、低功耗嵌入式系统等。

（3）权重文件：yolov6n.pt

2.YOLOv6-S (Small)

(1) 特点：

较小的模型大小，适合资源受限的设备。
推理速度较快，精度较高。

(2) 适用场景：

移动设备、嵌入式系统等对模型大小和推理速度有较高要求的场景。

(3) 权重文件：yolov6s.pt

3.YOLOv6-M (Medium)

(1) 特点：

模型大小介于 Small 和 Large 之间。
精度和速度的平衡较好。

(2) 适用场景：

一般用途的目标检测任务，既需要一定的精度又需要较快的推理速度。

(3) 权重文件：yolov6m.pt

4.YOLOv6-L (Large)

(1) 特点：

较大的模型大小，具有更高的精度。
推理速度相对较慢。

(2) 适用场景：

高精度要求的任务，如安全监控、医学影像分析等。

(3) 权重文件：yolov6l.pt

5.YOLOv6-N6 (Nano with 1280x1280 input)

(1) 特点：

极轻量级模型，但输入分辨率提高到 1280x1280，提高了精度。
推理速度仍然较快。

(2) 适用场景：

需要在资源受限设备上获得更高精度的场景。

(3) 权重文件：yolov6n6.pt

6.YOLOv6-S6 (Small with 1280x1280 input)

(1) 特点：

较小的模型大小，输入分辨率提高到 1280x1280，提高了精度。
推理速度较快。

(2) 适用场景：

需要在移动设备上获得更高精度的场景。

(3) 权重文件：yolov6s6.pt

7.YOLOv6-M6 (Medium with 1280x1280 input)

(1) 特点：

模型大小介于 Small 和 Large 之间，输入分辨率提高到 1280x1280，提高了精度。
精度和速度的平衡较好。

(2) 适用场景：

一般用途的目标检测任务，需要更高的精度。

(3) 权重文件：yolov6m6.pt

8.YOLOv6-L6 (Large with 1280x1280 input)

(1) 特点：

较大的模型大小，输入分辨率提高到 1280x1280，具有最高的精度。
推理速度最慢。

(2) 适用场景：

需要最高精度的场景，如科学研究、高精度工业检测等。

(3) 权重文件：yolov6l6.pt

选择合适的模型

选择合适的 YOLOv6 模型取决于您的具体需求：

资源限制：如果设备资源有限，选择 Nano 或 Small。
精度要求：如果需要高精度，选择 Large 或 L6。
速度要求：如果需要快速推理，选择 Nano 或 Small。
通用用途：如果需要平衡精度和速度，选择 Medium 或 M6。

在YOLOv6目录下新建一个weights文件夹，把下载的权重模型放到该文件夹下：

1.4 环境测试

环境部署准备好之后，执行推理，测试环境是否部署成功。

在YOLOv6目录下运行如下代码：

 python tools/infer.py

运行截图：

可以看到推理结果存放到runs/inference/exp文件夹下的，即进入该文件夹下（/YOLOv6/runs/inference/exp/images/），可以看到如下推理结果，表示环境准备成功，接下来就可以进行模型训练了。

2、配置文件和数据集准备

2.1 准备数据集

YOLOv6 支持多种格式的数据集，可以YOLO、COCO、VOC等格式的数据集，本次实验我采用的YOLO格式的数据集，YOLO数据集制作参考：数据标注，参考这篇文章的的“一、数据标注篇”下的“2、数据标注与处理”的“2.1 图像标注部分”，将图片和标注文件，按照如下结构进行放置：

datasets/
├── images/
│   ├── train/
│   │   ├── image1.jpg
│   │   ├── image2.jpg
│   │   └── ...
│   ├── val/
│   │   ├── image1.jpg
│   │   ├── image2.jpg
│   │   └── ...
│   └── test/
│       ├── image1.jpg
│       ├── image2.jpg
│       └── ...
├── labels/
│   ├── train/
│   │   ├── image1.txt
│   │   ├── image2.txt
│   │   └── ...
│   ├── val/
│   │   ├── image1.txt
│   │   ├── image2.txt
│   │   └── ...

2.2 配置文件准备

我的实验基于牛马的目标检测，故我的数据是牛和马的数据集，因此我的目标检测的类别是2，对应的标签名称为：cow(牛)、马(horse)。

在如下路径下配置文件:/YOLOv6/data/dataset.yaml，配置文件修改如下：

2.3 BUG修改

YOLOv6模型还是有一个BUG的，不知道是，什么时候可以修复，就是模型训练的时候找不到YOLOv6模型，实验的时候，这一步可以先跳过，直接去训练，如果训练不报这个错误的话就不用管。

如果训练报错，说找不到什么文件的话，就将下列代码复制到YOLOv6/tools/目录下的train.py的文件里，目的是将YOLOv6 的路径添加到train.py文件中，如下图：

import sys
sys.path.insert(0, '/mnt/workspace/YOLO系列/YOLOv6')

（注意“YOLOv6路径选择自己所放文件的绝对路径，例如我的YOLOv6文件是下载到/mnt/workspace/YOLO系列/路径下的，故我的路径是：/mnt/workspace/YOLO系列/YOLOv6”）

3、模型训练

3.1 模型训练

环境、依赖、数据集、配置文件等准备好后，接下来就是进行模型训练。

模型训练：

python tools/train.py --batch 32 --epochs 30 --conf configs/yolov6s_finetune.py --data data/dataset.yaml --fuse_ab

参数详解：

1.--batch 32

说明：设置批量大小（batch size）。
作用：批量大小决定了每次前向传播和反向传播处理的样本数量。较大的批量大小可以利用 GPU 的并行计算能力，但会占用更多的内存。
默认值：通常默认值为 16 或 32，具体取决于硬件配置。

2.--epochs 30

说明：设置训练的轮数（epochs）。
作用：每个 epoch 表示整个训练数据集被遍历一次。增加 epochs 数量可以提高模型的训练效果，但也可能增加过拟合的风险。
默认值：通常默认值为 100 或更高，具体取决于任务的复杂性和数据集的大小。

3.--conf configs/yolov6s_finetune.py

说明：指定配置文件的路径。
作用：配置文件包含模型的架构、优化器设置、学习率调度等重要参数。yolov6s_finetune.py 是一个用于微调的配置文件。
默认值：没有默认值，必须指定。

4.--data data/dataset.yaml

说明：指定数据集配置文件的路径。
作用：数据集配置文件定义了训练、验证和测试数据集的路径以及类别信息。dataset.yaml 文件通常包含图像路径和标签路径。
默认值：没有默认值，必须指定。

5.--fuse_ab

说明：启用融合操作（fuse operation）。
作用：融合操作可以优化模型的性能，特别是在推理阶段。--fuse_ab 参数通常用于优化模型的卷积层。
默认值：通常默认情况下不启用，需要手动添加此参数。

模型训练过程如下：

模型训练完成：

3.2 训练结果介绍

上图可以看出模型训练完成后，将训练的结果存放到runs/train/exp目录下，进入到该目录下，如下：

该目录下有一个weights权重文件，里面存放的训练好的模型权重：

在 YOLOv6 模型训练过程中，通常会生成多个权重文件，其中最常见的两个是 best_ckpt.pt 和 last_ckpt.pt。这两个文件有不同的用途和含义：

（1）. `best_ckpt.pt`

说明：这是在整个训练过程中表现最好的模型权重文件。
选择标准：通常根据验证集上的某个评估指标（如 mAP，即平均精度均值）来选择最佳模型。当某个 epoch 的验证集性能达到最优时，模型的权重会被保存为 best_ckpt.pt。
用途：用于最终的模型部署和测试。因为这是在验证集上表现最好的模型，所以通常会选择它作为最终模型。

（2）. `last_ckpt.pt`

说明：这是训练结束时最后一个 epoch 的模型权重文件。
选择标准：无论最后一个 epoch 的验证集性能如何，都会保存这个模型的权重。
用途：用于继续训练或进行进一步的微调。如果训练过程中断，可以使用 last_ckpt.pt 从最后一个 epoch 继续训练。

（3）区别总结

最佳性能 vs 最新状态：
- best_ckpt.pt 是在验证集上表现最好的模型，通常用于最终的模型部署和测试。
- last_ckpt.pt 是训练结束时的最新模型，通常用于继续训练或微调。

综上所述，best_ckpt.pt是训练过程中表现最好的模型，故后续的模型评估和模型推理部署都用改模型。

4、模型评估与推理

4.1 模型评估

接下来是用训练好的最佳的权重模型best_ckpt.pt模型进行模型评估：

python tools/eval.py --data data/dataset.yaml --batch 32 --weights ./runs/train/exp1/weights/best_ckpt.pt --task val

参数详解：

（1）--data data/dataset.yaml

说明：指定数据集配置文件的路径。
作用：数据集配置文件定义了训练、验证和测试数据集的路径以及类别信息。dataset.yaml 文件通常包含图像路径和标签路径。

（2）--batch 32

说明：设置批量大小（batch size）。
作用：批量大小决定了每次前向传播处理的样本数量。较大的批量大小可以利用 GPU 的并行计算能力，但会占用更多的内存。

（3）--weights runs/train/exp1/weights/best_ckpt.pt

说明：指定模型权重文件的路径。
作用：模型权重文件包含训练好的模型参数。在这里，您指定了 best_ckpt.pt 文件，这是在验证集上表现最好的模型权重。

（4）--task val

说明：指定任务类型。
作用：val 表示在验证集上进行评估。其他可能的值包括 test（在测试集上进行评估）。

（5）模型评估过程截图示例：

如上图，模型评估后结果存放到runs/val/exp目录下，进入到该目录就可以看到模型评估的结果了。

4.2 模型推理

接下来是模型推理，模型推理如下：

python tools/infer.py  --weights ./runs/train/exp1/weights/best_ckpt.pt --source  ./data/datasets/images/test

参数详解

（1）--weights runs/train/exp1/weights/best_ckpt.pt

说明：指定模型权重文件的路径。
作用：模型权重文件包含训练好的模型参数。在这里，您指定了 best_ckpt.pt 文件，这是在验证集上表现最好的模型权重。

（2）--source data/datasets/images/test

说明：指定输入数据的路径。
作用：输入数据可以是单个图像文件、目录中的多个图像文件或视频文件。在这里，您指定了一个包含测试图像的目录。

（3）模型推理过程如下：

模型预测成功后，如上图，预测结果存放到runs/inference/exp目录下，进入该目录，就可以看到预测的结果，预测的结果部分示例如下: