通过在 YOLOv8 模型中集成 BoTNet 模块、GAM 注意机制和 EIoU 损失函数，优化了特征提取和多尺度特征融合策略，简化了训练和推断过程，显著提高了检测的准确性和效率，实验结果表明改进模型在检测速度和准确性方面表现出色，能够实时识别和分类分心驾驶行为，提供及时警示，增强驾驶安全。

Jul, 2024

本文提出了一种通过使用高斯参数建模和重新设计损失函数来提高 YOLOv3 的检测精度以及一种用于预测位置不确定性以指示 bbox 可靠性的方法。经过 KITTI 和 Berkeley deep drive (BDD) 数据集测试，与传统的 YOLOv3 相比，所提出的算法 (Gaussian YOLOv3) 在保持实时检测速度 (42 帧 / 秒) 的同时，将平均精度提高了 3.09 和 3.5 个点。因此，本研究提出的算法是自动驾驶应用中最合适的检测算法。

Apr, 2019

本文研究了如何通过修改 YOLOv5 模型的结构和参数来提高其在自动驾驶赛车中检测小目标的性能，最终提出了一系列新模型 YOLO-Z，并取得了最多 6.9％ 的 mAP 改进。

Dec, 2021

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

在道路基础设施维护和保障道路安全中，有效检测道路危险是至关重要的。本研究评估了 YOLOv8，一种物体检测模型，在检测路面危险，如坑洞、下水道盖和人孔等方面的综合性能。通过与之前版本 YOLOv5 和 YOLOv7 的比较分析，强调了计算效率在各种应用中的重要性。本文探讨了 YOLOv8 的架构，并探索了旨在提高检测准确性的图像预处理技术，包括光照、道路类型、危险大小和类型的多样条件。此外，通过调整学习率、批量大小、锚点框大小和增强策略进行超参数调优实验，优化模型的性能。模型评估基于 Mean Average Precision (mAP)，这是一种广泛接受的物体检测性能指标。通过在多种测试场景下计算 mAP 分数，本研究评估了模型的稳健性和泛化能力，强调了 YOLOv8 在道路危险检测和基础设施维护中的重要性。

Oct, 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

该研究提出了一种有效的方法来检测定向物体，通过预测它们的中心坐标和方向角来实现，而无需预测物体的宽度和高度。

Aug, 2023

本文使用了改进的 YOLOv5 和 YOLOv8 模型，在不同照明条件下检测和分类不同的道路标志，实验结果表明，两个模型在不同训练设置下都能表现良好，其中 YOLOv8 模型的 MAP50 得分略高。这些发现为寻求可靠且适应性强的物体检测应用方案的从业人员提供了宝贵的见解。

Jun, 2024

通过将物体检测方法与像素级异常检测方法相结合，实现了对未知物体的稳定性检测，并通过整合物体性分数和未知物体性分数提出了一种新的异常分数，称为未知物体性分数。当应用于公开可用的数据集时，定量评估结果表明该方法优于现有方法。

Mar, 2024

本文介绍一种基于 YOLO v2 算法与 3D 点云技术相结合的方法，能够在自动驾驶中快速、准确地识别 3D 物体边界框，实现了 40 帧每秒的实时性能。

Aug, 2018