实时物体检测:使用 PyTorch 重新实现 YOLOv1
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