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

提出了一种名为 DEYOv3 的全新端到端实时目标检测模型，采用逐步训练方法，设计灵活、训练成本低，速度和准确性均优于现有的实时目标检测器。

Sep, 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

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

本文介绍了基于 YOLO 系列的改进，从而形成了一种新的高性能检测器 ——YOLOX，采用无 anchor 的方式及其他先进的检测技术，达到了业界领先水平，并在特定领域应用中获得了第一名的成绩。

Jul, 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