YOLO9000: 更好、更快、更强
YOLO 是一种新的目标检测方法,使用单个神经网络从完整图像中直接预测边界框和类别概率,具有实时处理速度、误检低和物体的通用表示等优势。
Jun, 2015
通过消除非极大值抑制(NMS)的依赖性和综合优化 YOLOs 的各个组件,本研究提出了一种新一代的实时端到端目标检测模型 YOLOv10,其在性能和效率方面均取得了最新的成果。
May, 2024
本文介绍了一种基于 YOLOV2 算法的实时目标检测模型 YOLO-LITE,该模型可以在无 GPU 设备上运行,经过在 Pascal VOC 和 COCO 数据集的训练,在 7 层、482 亿次浮点运算下达到了大约 21 FPS 的检测速度,比最快的现有模型 SSD MobilenetV1 快 3.8 倍,从而提高了实时目标检测的可访问性。
Nov, 2018
本文提出了一种名为 Fast YOLO 的新框架,通过深度智能进化框架优化了 YOLOv2 网络架构并将运动自适应推理方法引入,从而在保持性能的同时,在嵌入式设备上实现实时物体检测。实验结果表明,Fast YOLO 框架可以在平均 3.3 倍的速度加速下,将嵌入式系统上的检测性能提高到 18FPS。
Sep, 2017
本文综述了 YOLO(You Only Look Once)目标检测算法的演进,着重介绍了 YOLOv5、YOLOv8 和 YOLOv10。分析了这些版本的架构改进、性能提升以及在边缘部署方面的适用性。研究结果表明在准确性、效率和实时性能方面不断取得了进展,并强调了它们在资源受限环境中的适用性。本综述提供了模型复杂性和检测准确性之间的权衡,为选择特定边缘计算应用的最合适的 YOLO 版本提供指导。
Jul, 2024
本技术报告介绍了 YOLOv6 的开发和部署,该模型包括最新的网络设计、训练策略、测试技术、量化和优化方法,可适用于不同规模的应用场景,并在各种硬件平台上表现出色。
Sep, 2022
通过综合评估现有的改进 refinement 的集合以改善 PP-YOLO 的性能,并为实现几乎不改变推理时间的效果,逐步进行消融研究以评估它们对最终模型性能的影响,通过结合多种有效的精炼手段,将 PP-YOLO 的性能从 45.9% mAP 提升到 49.5% mAP,而 PP-YOLOv2 的速度也达到了 106.5 FPS 的推理速度,由此超越了具有相同参数(即 YOLOv4-CSP,YOLOv5l)的现有目标检测器。
Apr, 2021
YOLO-World is an innovative approach that enhances the You Only Look Once (YOLO) series of detectors with open-vocabulary detection capabilities through vision-language modeling, achieving high efficiency and accuracy in detecting a wide range of objects in a zero-shot manner.
Jan, 2024
本文提出了一种广义飞行物实时检测模型,可用于迁移学习和进一步研究,同时提出了一种可用于实现的改进模型。通过将第一通用模型训练在包含 40 种不同类别的飞行物数据集上,我们可以使模型提取抽象特征表示,然后在代表真实世界环境的数据集上执行传递学习,从而生成改进的模型,并且我们尝试使用当前最先进的单发探测器 YOLOv8 来解决一些出现的挑战。最后得到的模型达到了 0.685 的 mAP50-95 和 50fps 的平均推断速度。
May, 2023