YOLOv6: 面向工业应用的单阶段物体检测框架
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
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
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
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
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
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