paper地址：https://arxiv.org/abs/2209.02976
6月底发布的源码，9月初终于发布了技术报告。细节部分欢迎去原文中扣，这里只做各部分的一些讲解和个人理解。
目录
摘要
上来先说，yolov6大量地吸收了最近的网络设计、训练策略、测试技术、量化和优化方法的想法，就是说没有什么很吸睛的创新，就是一堆缝合。然后说明，yolo作者已经慷慨许可了他们把这个算法命名为yolov6（因此不要说他们蹭热度了）。
关于精度和性能对比，看下面这张图就差不多明白了。
一、介绍
介绍了yolov6出来的动机和背景：
（1）来自RepVGG的重参数化是一种优越的技术，在检测（已有的yolo版本）中尚未得到很好的利用（实际上同时期的yolov7里也用到了）。同时，作者认为小型网络和大型网络不一样，对大型网络来说，对RepVGG块进行简单地模型缩放不切实际。
（2）基于重参数化的检测器的量化也要调整
（3）考虑真正的服务环境中的部署（以前的算法往往在高功耗的v100上比），我要换个平台赛道比比
（4）新的标签分配和损失函数出来啦，得试试
（5）加点新的策略tricks，不增加推理时间就行
总结yolov6的贡献：
- 同时在分类和回归中加入了自蒸馏策略
- 做了很多实验验证不同的标签分配策略、损失函数、数据增强技术，找到了最好的组合
二、方法介绍
YOLOv6的新设计包括以下组件：网络设计、标签分配、损失函数、数据增强、为了工业方便的改进、量化和部署：
2.1 网络设计
- Backbone：yolov6的小型网络（跟v5和其他的版本一样，yolov6提供yolov6-n、yolov6-s等好几个规模的网络）中，使用RepBlock为基本模块；yolov6的大型网络，用了他们自己修改的一个高效CSP块，取名叫CSPStackRep块。
（a）和（b）表示了RepBlock，（a）表示训练的时候，RepVGG block接一个ReLU，（b）表示推理的时候，RepVGG块被替换成了RepConv
（c）CSPStackRep块的结构
- Neck：参考YOLOv4和v5用的PAN，结合backbone里的RepBlock或者CSPStackRep，提出了一个Rep-PAN
- Head：类似YOLOX的解耦头，更高效化了（微调）。YOLOv6里采用的是anchor-free的检测头（YOLOX、FCOS），是anchor point-based，而不是keypoint-based
2.2 标签分配
SimOTA的训练太慢，而且容易陷入不稳定的训练。 实验发现TAL（Task alignment learning）更好。
2.3 损失函数
分类损失用的是VFL（VariFocal Loss），回归损失用的是SIoU/GIoU
2.4 为了工业部署便利的相关tricks
更多的epoch、自蒸馏、图片边缘放置灰色边界（有助于检测边界的object）
2.5 量化和部署
用了 训练后量化（PTQ）和量化感知训练（QAT）