YOLOv3: 一项渐进式的改进
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
Poly-YOLO 是一个新的基于 YOLOv3 并实现了实例分割的版本,为了纠正 YOLOv3 的两个缺点:标签过多和 anchor 分布低效的问题,Poly-YOLO 使用轻量级的 SE-Darknet-53 的 backbone 和 hypercolumn 技术聚合特征,使用阶梯式上采样生成高分辨率的输出,只拥有 YOLOv3 可训练参数的 60%,但将 mAP 提高了 40%。Poly-YOLO 同样将实例分割引入了检测任务中,使用基于极坐标网格上的大小无关多边形作为边界,预测每条边界的置信度和顶点位置,从而生成各种顶点数量的多边形。与 YOLOv3 相比,Poly-YOLO 在精度上保持不变,但比 YOLOv3 体积更小,速度更快,因此适用于嵌入式设备。
May, 2020
使用基于 CSP 方法的 YOLOv4 目标检测神经网络可进行极小至极大规模网络的缩放以及保持最优速度和精度,提出了一种网络缩放方法,其中 YOLOv4-large 模型在 Tesla V100 上以~16 FPS 的速度实现了 55.5% AP(73.4%AP50)的 MS COCO 数据集的最新结果,实现了 1774 FPS 的速度。通过使用 TensorRT,批量大小 = 4 和 FP16 精度,YOLOv4-tiny 实现了 22.0%AP(42.0%AP50)。
Nov, 2020
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
提供高效且表现良好的目标检测器 YOLO-MS, 基于对不同核大小的卷积如何影响不同尺度物体的检测性能进行一系列研究来实现。新的策略能够大大增强实时目标检测器的多尺度特征表示。在 MS COCO 数据集上训练的 YOLO-MS, 不依赖于其他大规模数据集或预训练权重,在相同参数和 FLOPs 数量下,优于最近的实时目标检测器,包括 YOLO-v7 和 RTMDet。
Aug, 2023
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
本文研究了如何通过修改 YOLOv5 模型的结构和参数来提高其在自动驾驶赛车中检测小目标的性能,最终提出了一系列新模型 YOLO-Z,并取得了最多 6.9% 的 mAP 改进。
Dec, 2021