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

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

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

本研究针对传统物体检测算法在低能见度环境中的性能下降问题，提出了YOLO-Vehicle和YOLO-Vehicle-Pro两种创新的深度学习模型。通过引入增强的图像去雾算法和云-边协同系统，此研究显著提升了自动驾驶在恶劣天气条件下的物体检测精度及效率。

Oct, 2024

该研究解决了智能交通系统、自动驾驶和交通监测中车辆检测准确性不足的问题。YOLO11作为YOLO系列最新的深度学习模型，通过架构改进，提高了在复杂环境下的检测速度和准确性。研究结果表明，YOLO11在检测较小和被遮挡车辆方面超过了之前的版本，为自动驾驶和交通监测系统的效率提升提供了新的视角。

Oct, 2024