如何选择合适的模型

YOLOv6 提供了一系列面向各种工业应用场景的模型，从模型大小方面来看，可分为微小型(Nano)，小(Small)，中(Medium)，大模型(Large)；从用户使用场景方面来看，可分为基础版(base)，进阶版（advance），高精版（high-precision）。

为了更好地实现精度和速度权衡，这些模型的结构会根据模型大小而有所不同。此外，我们还引入了一些策略和技巧方法来进一步提高性能，例如自蒸馏和更多的训练轮次，这些策略和技巧并不会增加模型推理延时。

模型特点

模型	优点	不足	使用场景
基础版	采用常规卷积和ReLU激活的统一网络结构，直接PTQ量化精度损失较小（↓0.3~0.4 AP）	COCO数据集上精度稍低	适合刚入门或有快速迭代部署8位PTQ量化模型需求的用户
进阶版	精度和速度指标优于同规模的其他主流检测器	采用重参数化训练策略，训练资源要求稍高	适合精度速度权衡且侧重高精度的用户
高精版	采用1280分辨率训练，添加P6输出层，精度较高	速度相对进阶版较慢，但对比其他同规模的高精模型速度持平或超越	适合训练图片分辨率较大或对精度有更高要求的用户

模型	输入尺寸	mAP^val 0.5:0.95	mAP^{val PTQ trt int8}	速度^{T4 trt fp16 b1 (fps)}	速度^{T4 trt fp16 b32 (fps)}	Params ^(M)	FLOPs ^(G)
YOLOv6-N-base	640	35.6	35.3	832	1249	4.3	11.1
YOLOv6-S-base	640	43.8	43.4	373	531	11.5	27.6
YOLOv6-M-base	640	48.8	48.4	179	246	27.7	68.4
YOLOv6-L-base	640	51.0	50.7	115	153	58.5	144.0

模型	输入尺寸	mAP^val 0.5:0.95	速度^{T4 trt fp16 b1 (fps)}	速度^{T4 trt fp16 b32 (fps)}	Params ^(M)	FLOPs ^(G)
YOLOv6-N	640	37.5	779	1187	4.7	11.4
YOLOv6-S	640	45.0	339	484	18.5	45.3
YOLOv6-M	640	50.0	175	226	34.9	85.8
YOLOv6-L	640	52.8	98	116	59.6	150.7

模型	输入尺寸	mAP^val 0.5:0.95	速度^{T4 trt fp16 b1 (fps)}	速度^{T4 trt fp16 b32 (fps)}	Params ^(M)	FLOPs ^(G)
YOLOv6-N6	1280	44.9	228	281	10.4	49.8
YOLOv6-S6	1280	50.3	98	108	41.4	198.0
YOLOv6-M6	1280	55.2	47	55	79.6	379.5
YOLOv6-L6	1280	57.2	26	29	140.4	673.4