Sep, 2023

金 - YOLO：通过聚集与分发机制实现高效物体检测

PDF
TL;DR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％。
yolo-series modelsreal-time object detectioninformation fusion problemgatherand-distribute mechanismmulti-scale feature fusion
发现论文，激发创造
  • LeYOLO，用于目标检测的新型可扩展高效 CNN 架构

    基于 FLOP 的高效目标检测计算的神经网络架构设计选择和优化方法，LeYOLO 提供了在不同资源限制下性能优越的计算负载和准确率比例。

    Jun, 2024

  • BGF-YOLO: 基于多尺度注意力特征融合的改进 YOLOv8 用于脑肿瘤检测

    该论文介绍了一种新颖的 BGFG-YOLO 架构，通过将 Bi-level Routing Attention（BRA）、Generalized feature pyramid networks（GFPN）、Forth detecting head 和 Generalized-IoU（GIoU）bounding box regression loss 结合到 YOLOv8 中，实现了对自动脑肿瘤检测的高准确性。实验结果显示，与 YOLOv8x 相比，BGFG-YOLO 在脑肿瘤检测数据集 Br35H 上的 mAP50 绝对增加了 3.4％，达到了 state-of-the-art 水平。

    Sep, 2023

  • 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

  • PP-YOLO: 目标检测器的有效而高效的实现

    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

  • YOLOSA 基于 2D 局部特征叠加自注意力的物体检测

    通过使用新颖的自注意力模块，将全局特征反映到局部特征和局部接受域，以及优化解耦头和 AB-OTA，我们提出的模型在大中小型模型上能够实现 49.0%（71FPS，14ms），46.1%（85FPS，11.7ms）和 39.1%（107FPS，9.3ms）的平均精度，超过了 YOLOv5 0.8%-3.1% 的平均精度。

    Jun, 2022

  • 注意力增强网络与增强的泛化性能更好的 YOLO 算法在安全头盔检测中的应用

    在这项研究中，我们利用基于 Yolo 的模型用于安全头盔检测，在减少参数和 Flops 计数超过 25% 的同时，实现了 2% 的 mAP 性能改进。我们采用了 GhostNetv2 作为轻量级特征提取网络骨干，并结合了空间通道注意力网络 (SCNet) 和坐标注意力网络 (CANet) 等注意力模块，采用梯度规范感知优化器 (GAM) 提高了模型的泛化能力。本研究针对安全关键环境中头盔的准确检测和速度，在提高准确性的同时，改善了模型适应真实环境的能力。实验结果强调了 GhostNetv2、注意力模块和 GAM 优化器的协同效应，为安全头盔检测提供了一个全面的框架，达到了在准确性、泛化性和效率方面的卓越性能。

    May, 2024

  • 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

  • 基于融合注意力机制的矿石分类网络

    该研究提出了一种名为 OreYOLO 的方法，通过将注意机制和多尺度特征融合策略结合到金矿和硫化矿石的矿石数据中，提高了模型的检测性能和准确性。实验证明 OreYOLO 在金矿和硫化矿石分类训练中优于常用的高性能目标检测算法。

    May, 2024

  • YOLO-MS：实时物体检测的多尺度表示学习再思考

    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

  • 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