使用激光雷达基于点云数据构建一个能够实时3D检测物体的深度学习算法，该算法使用了Euler-Region-Proposal Network (E-RPN)技术，确保了高准确性和高效率。该算法在KITTI基准测试中表现出色。

Mar, 2018

该论文开发了一种基于YOLOv3的新型目标检测器PP-YOLO，通过结合多种现有技巧，实现了相对平衡的效果和效率，其准确率达到了45.2％mAP，帧率为72.9FPS。

Jul, 2020

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

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

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

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

该研究针对YOLO系列系统开展了全面的回顾，填补了现有文献中的空白，通过最新的技术视角重新审视其特点。文章分析了YOLO系列如何推动实时计算机视觉研究及其在各领域的应用，以期为后续的发展提供指导。

Aug, 2024