1.整体结构
由上图所示，从整体上来看，YOLOV6的网络结构与YOLOV4、YOLOV5是很相似的，尤其是backbone和neck，但是其中的实现模块是有变化的；但最大的不同在于Head部分，采用的是YOLOX的Head方式，将分类与回归分为两个支路，进行了解耦操作；具体内容下面将会详细的介绍。
2. Backbone
可见，Backbone的实现的基本模块为RVB1_X结构，其全程为RepVGGBlock_X，表示由多个RepVGGBlock组成；
（1）RepVGGBlock
上图是RepVGGBlock论文中绘制的图像，整个网络包括两种残差结构，如上图中的绿框和红框，
<1> 绿框
其残差结构仅仅包含Conv1*1残差分支，用另一种表示为：
两种的不同在于，Rep-I使用的Conv+BN模块，其步长都为2，用于进行降采样，如主干网络中的下面红框中的两种，Rep-!hui进行降采样，将输入降采样到1*32*320*320，而剩余的RVB1_X模块中，其第一个RepVGGBlock都是采用的Rep-I的方式，先进行降采样。
<2> 红框
红框不仅包含Conv1*1的残差结构，而且包含了一个Identity分支，这里常用BN层表示，如下图所示
其另一种表示为：
其中的卷积为1*1和3*3，且步长为1，通常是通道和size没有变化，常用在RVB1_X中的后面部分，如下图所示：
（2）SimSPPF
结构如下图所示：
其与YOLOV4、YOLOV5中的SPP结构是类似的，目的都是为了正大感受野，但是不同的是这里将9*9和13*13的池化核都用5*5的池化核来表示，极大的降低了计算量。
3. Neck部分
结构上与YOLOV4的PANet结构类似，先上采样融合再下采样融合，但是这里却将基本模块更换为了效果更佳的RepVGGBlock结构，整体结构如下图所示：
等同于：
其中重要的结构有两种，分别为RVB2_X和RVB3_X,其实两种结构基本上是一样的，其最大的不同在于它们的第一个RepVGGBlock结构，从上图可见，经过RVB2_X的特征图的通道数是有所变化的，而经过RVB3_X的特征图的通道是没有变化的。
4. Head部分
和YOLOX一样，YOLOv6也对检测头进行了解耦，分开了边框与类别的分类过程。将边框回归和类别分类耦合在一起时会影响性能，因为这样不仅加慢收敛的速度，也会提高检测头的复杂程度。