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

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

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

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

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

我们在本文中提出了YOLO-TLA，这是一种基于YOLOv5的先进物体检测模型，通过在颈部网络金字塔架构中引入一个额外的检测层来检测小对象，从而提供一个更大尺度的特征图以辨别小对象的更细致特征，并将C3CrossCovn模块集成到骨干网络中，有效地减少计算需求和参数数量，使模型更加紧凑

Feb, 2024

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

该研究针对YOLO系列系统开展了全面的回顾，填补了现有文献中的空白，通过最新的技术视角重新审视其特点。文章分析了YOLO系列如何推动实时计算机视觉研究及其在各领域的应用，以期为后续的发展提供指导。

Aug, 2024