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

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

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

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

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

本研究通过使用高级技术（如 Group Convolution、ShuffleNetV2 和 Vision Transformer），优化了 YOLOv7 算法，减小了模型的参数数量和内存使用，并简化了网络架构，从而在资源受限的设备上加强了实时物体检测的能力。实验结果表明，经过改进的 YOLO 模型表现出卓越的性能，在保持卓越的检测准确度的同时，显著提高了处理速度。

Mar, 2024

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

通过结合相关滤波器和交并比（IOU）约束的人物追踪系统，以及基于 YOLOv5 的深度学习模型进行跨摄像头人员再识别，快速实时跟踪嫌疑人，适用于安全监控应用。

Sep, 2023

本研究旨在检验实时目标检测模型的可重复性和基准测试。通过比较大量的目标检测模型在多个显卡上的精度和推理速度，我们还重现了 DETR、RTMDet、ViTDet 和 YOLOv7 等模型，并提出了一个统一的训练和评估流程，以更好地比较模型。然而，我们发现某些模型在准确性和速度上无法达到原始论文所述性能，而 RTMDet 和 YOLOv7 可以匹配这些性能。总的来说，结果显示准确性和速度之间存在着明显的权衡，其中以无锚点模型（尤其是 RTMDet 或 YOLOx 模型）为主。

May, 2024