快速 YOLO: 一种实时嵌入式视频目标检测仅需一次看图系统
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
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
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
这篇论文介绍了一种实时目标检测系统 YOLO9000,能够检测超过 9000 个物体类别,该系统基于改进的 YOLO 检测方法,结合了机器学习和 COCO 数据集进行训练,实现了同时进行目标检测和分类的功能。
Dec, 2016
通过在 4 个不同的数据集和 4 个不同的嵌入式硬件平台(x86 CPU,ARM CPU,Nvidia GPU,NPU)上进行公平、可控的比较,收集了 550 多个基于 YOLO 的目标检测模型的准确性和延迟数据,并通过帕累托优化分析表明,基于 YOLO 系列的多种架构都可在准确性和延迟之间取得良好的平衡,包括 YOLOv3 和 YOLOv4 等旧模型。在 YOLOBench 上评估了神经架构搜索中的无成本准确性估计器,并证明虽然大多数最先进的零成本准确性估计器被简单的基准(如 MAC 计数)超越,但其中一些可以有效地用于预测帕累托最优的检测模型。通过在树莓派 4 CPU 上使用零成本代理,展示了一种与最先进的 YOLOv8 模型具有竞争力的 YOLO 架构。
Jul, 2023
本文综合分析了 YOLO 实时目标检测系统的发展历程及其每个版本的创新和贡献,从原版 YOLO 到 YOLOv8,涵盖了标准度量和后处理、网络架构和训练技巧等方面,总结了 YOLO 发展的重要经验和展望其未来,强调提高实时目标检测系统的潜在研究方向。
Apr, 2023
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
此综述系统地考察了 You Only Look Once(YOLO)目标检测算法从 YOLOv1 到最新发布的 YOLOv10 的发展进程。通过逆向时间顺序分析,研究探讨了 YOLO 算法带来的进步,从 YOLOv10 开始,逐步分析了 YOLOv9、YOLOv8 和后续版本在提高实时目标检测的速度、准确性和计算效率方面的贡献。该研究强调了 YOLO 在五个关键应用领域(汽车安全、医疗保健、工业制造、监视和农业)的革命性影响。通过详细描述每个版本的技术进步,本综述不仅记录了 YOLO 的演变,还讨论了早期版本中观察到的挑战和限制。这种演进标志着将 YOLO 与多模态、上下文感知和通用人工智能(AGI)系统相结合的路径,为下一个 YOLO 十年提供了重要的发展影响,对于 AI 驱动应用的未来发展具有重要意义。
Jun, 2024