Sep, 2017

快速 YOLO: 一种实时嵌入式视频目标检测仅需一次看图系统

PDF
TL;DR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。
发现论文，激发创造
  • You Only Look Once: 统一、实时目标检测

    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

  • YOLO-LITE：面向非 GPU 计算机优化的实时目标检测算法

    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

  • YOLOv10：实时端到端物体检测

    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

  • YOLO9000: 更好、更快、更强

    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

  • YOLOBench: 嵌入式系统上高效目标检测器的基准测试

    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

  • 从 YOLOv1 到 YOLOv8 以及未来 ——YOLO 的全面评估

    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：实时开放词汇物体检测

    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

  • 实时物体检测：使用 PyTorch 重新实现 YOLOv1

    使用 PyTorch 框架实现了基于 YOLO v1 架构的实时目标检测，进行了多项技术尝试并与原始算法进行了指标比较。

    May, 2023

  • YOLOv6: 面向工业应用的单阶段物体检测框架

    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

  • YOLOv10 及其起源：一篇十年来全面回顾《You Only Look Once》系列的论文

    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