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

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

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

该研究通过比较分析YOLOv5和YOLOv8模型，挑战了后者在性能指标上的优越性的普遍假设。与最初的预期相反，YOLOv5模型在目标检测任务中表现出了可比较的甚至在某些情况下优越的精度。我们的分析探讨了导致这些发现的底层因素，包括模型架构复杂性、训练数据集的差异和实际应用性等方面。通过严格测试和消融研究，我们呈现了对每个模型能力的细致理解，为选择和优化用于机器人应用的目标检测框架提供了洞察。该研究的意义扩展到更高效和情境适应性系统的设计，强调了评估模型性能的整体方法的必要性。

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

YOLOv7模型的预训练权重上采用4位量化和不同粒度的组合，与全精度基线模型相比，均匀量化和非均匀量化分别实现了约3.92倍和3.86倍的内存节省，仅有2.5%和1%的精度损失。

Jul, 2024

本研究针对YOLOv8目标检测模型进行了详细分析，解决了现有模型（如YOLOv5）在架构和性能改进方面的不足。论文介绍了包括CSPNet骨干网、FPN+PAN颈部结构等关键创新，展现了YOLOv8在多个基准测试上的高准确率和实时能力，强调了其开发者友好的增强功能，使得模型训练和部署更加便捷。该研究为目标检测领域的前沿解决方案奠定了基础。

Aug, 2024

本研究针对YOLOv9目标检测模型进行全面分析，填补了对其架构创新、训练方法及性能改进的认识空白。论文提出了新的特征提取和梯度流技术，如通用高效层聚合网络（GELAN）和可编程梯度信息（PGI），显著提升了检测精度和效率，展示了YOLOv9在多项基准测试中的优越表现，确立了其在实时目标检测中的领先地位。

Sep, 2024