Aug, 2023

YOLO-MS：实时物体检测的多尺度表示学习再思考

PDF
TL;DR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。
发现论文，激发创造
  • YOLOv10：实时端到端物体检测

    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

  • YOLOv5, YOLOv8 和 YOLOv10：实时视觉领域首选检测器

    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

  • Scaled-YOLOv4: 跨阶段部分网络的扩展

    使用基于 CSP 方法的 YOLOv4 目标检测神经网络可进行极小至极大规模网络的缩放以及保持最优速度和精度，提出了一种网络缩放方法，其中 YOLOv4-large 模型在 Tesla V100 上以～16 FPS 的速度实现了 55.5% AP（73.4％AP50）的 MS COCO 数据集的最新结果，实现了 1774 FPS 的速度。通过使用 TensorRT，批量大小 = 4 和 FP16 精度，YOLOv4-tiny 实现了 22.0％AP（42.0％AP50）。

    Nov, 2020

  • 金 - YOLO：通过聚集与分发机制实现高效物体检测

    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

  • You Only Look Once: 统一、实时目标检测

    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

  • 多尺度域自适应 YOLO 用于跨域目标检测

    介绍一种新的多尺度域自适应 YOLO (MS-DAYOLO) 框架，利用多条域适应路径和相应的域分类器来生成域不变特征，用于目标检测和自动驾驶等场景中的应用。在常用数据集上的实验表明，使用所提出的 MS-DAYOLO 在训练 YOLOv4 时，能够在模拟自动驾驶场景下的复杂环境中达到显著的目标检测性能改进。

    Jun, 2021

  • YOLOv6: 面向工业应用的单阶段物体检测框架

    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

  • YOLACT++：更好的实时实例分割

    提出了一种实时实例分割的全卷积模型，通过生成原型掩模和预测实例掩模系数两个并行子任务，使用线性组合的方法得到实例掩模。通过使用改进的锚点尺度和纵横比进行优化，同时引入新的快速掩模回归分支以及快速 NMS 算法，使得该模型在实时情况下能够接近于最先进的方法。

    Dec, 2019

  • 快速物体检测的统一多尺度深度卷积神经网络

    本文提出了多尺度卷积神经网络（MS-CNN）用于实现快速的多尺度目标检测。并通过一个 proposal sub-network 和一个 detection sub-network 实现了 end-to-end 的联合训练，同时还探索了使用反卷积代替输入插值以减少内存和计算成本的方法。最后在 KITTI 和 Caltech 等数据集上实现了超过 15fps 的最先进的目标检测表现。

    Jul, 2016

  • YOLO9000: 更好、更快、更强

    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