YOLOX:2021 年超越 YOLO 系列
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
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
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
本篇论文探讨了基于 YOLOX 算法的 DecIoU 边界框回归损失函数和 Push Loss 用于改进路面物体检测问题,并且通过采用动态锚箱机制提升了检测精度,实验在 KITTI 数据集上证明了该方法的有效性。
Feb, 2023
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
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
YOLO-Former 方法将 Transformer 和 YOLOv4 的思想无缝集成,创建了一个高度准确和高效的目标检测系统。该方法通过将卷积注意力和 Transformer 模块整合,利用 YOLOv4 的快速推理速度并融合 Transformer 架构的优势,实现了高度准确性,输出了一帧率为 10.85 帧每秒,Pascal VOC 数据集上均值平均精度(mAP)达到了 85.76%。本工作的贡献在于展示了这两种最先进技术的创新组合如何进一步提高目标检测领域的性能。
Jan, 2024