Apr, 2021

PP-YOLOv2: 实用物体检测器

PDF
TL;DR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。
发现论文，激发创造
  • PP-YOLO: 目标检测器的有效而高效的实现

    该论文开发了一种基于 YOLOv3 的新型目标检测器 PP-YOLO，通过结合多种现有技巧，实现了相对平衡的效果和效率，其准确率达到了 45.2％mAP，帧率为 72.9FPS。

    Jul, 2020

  • PP-YOLOE：YOLO 的进化版

    本文提出了一种名为 PP-YOLOE 的工业级目标检测器，采用基于先前版本的 PP-YOLOv2 的优化，使用无锚点范例、更强大的主干网和配备了 CSPRepResStage、ET-head 和动态标签分配算法 TAL 的 neck。在 COCO test-dev 上实现了 51.4 mAP，Tesla V100 的时延为 78.1 FPS，相对于之前最先进的工业模型 PP-YOLOv2 和 YOLOX 分别有 (+1.9 AP，+13.35% 加速) 和 (+1.3 AP，+24.96% 加速) 的显著改进。

    Mar, 2022

  • 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

  • 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

  • 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

  • YOLOv7：可训练的免费物品袋集合为实时物体检测器设立了新的技术水平

    YOLOv7 是一种实时目标检测器，其速度和精度表现均优于已有模型，且只在 MS COCO 数据集上进行训练。

    Jul, 2022

  • Scaled-YOLOv4: 跨阶段部分网络的扩展

    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

  • PP-PicoDet: 移动端更好的实时物体检测器

    本文针对物体检测中精度和效率的平衡问题，研究了关键优化和神经网络结构选择，提出了新的面向移动设备的实时物体检测器，通过多种优化实现了更好的精度和延迟性能的平衡，并优于其他流行模型。

    Nov, 2021

  • 快速 YOLO: 一种实时嵌入式视频目标检测仅需一次看图系统

    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

  • 金 - YOLO：通过聚集与分发机制实现高效物体检测

    在本研究中，我们提出了一种先进的 Gatherand-Distribute 机制（GD 机制），该机制借助卷积和自注意操作实现。我们设计的新模型 Gold-YOLO 在跨所有模型尺度上提升了多尺度特征融合能力并在延迟和准确性之间实现了理想的平衡。此外，我们首次在 YOLO 系列中实现了 MAE 风格的预训练，使得 YOLO 系列模型能够从无监督预训练中受益。Gold-YOLO-N 在 COCO val2017 数据集上取得了出色的 39.9％ AP 和在 T4 GPU 上的 1030 FPS，超过了以前的 SOTA 模型 YOLOv6-3.0-N 的相似 FPS +2.4％。

    Sep, 2023