PowerYOLO 是一种混合精度解决方案，通过使用动态视觉传感器、Powers-of-Two 量化和批量归一化融合方案，将内存复杂性减少近 8 倍，实现了对 GEN1 DVS 数据集 mAP 为 0.301 的高准确性，成为了新的技术标准。

Jul, 2024

本文提出一种基于 Ghost-YOLOv7 的轻量级车辆检测算法，该算法的宽度为 0.5，而且使用 Ghost convolution 替换了骨干网络的标准卷积以实现轻量级化、提高检测速度，进而增强了特征提取能力、丰富了语义信息并提高了检测准确度。同时，引入坐标注意力机制来抑制环境干扰。该算法的实验表明，相较于原有算法，检测速度提高 27FPS，能够有效降低计算复杂度和参数数量，且在多项指标上表现更好，可用于智能交通系统。

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

本论文介绍通过通道剪枝和 L1 正则化实现深度物体探测器的学习，从而获得适用于 UAV 平台的实时目标检测器 SlimYOLOv3，其对比 YOLOv3 具有更少的可训练参数、更低的浮点运算次数和参数大小、更快的运行速度和相当的检测准确率。

Jul, 2019

本研究描述了一种低位量化方法来构建一个高效的单级检测器，称为 Q-YOLO，有利于在资源受限的边缘设备上部署目标检测模型，从而实现减少计算和内存开销的实时检测。

Jul, 2023

深度学习目标检测在帮助视力受损者避开障碍物方面是一种有效的方法，本文通过实现并评估七种不同的 YOLO 目标检测模型（YOLO-NAS，YOLOv8，YOLOv7，YOLOv6 和 YOLOv5）来分析这些模型在道路和人行道上常见物体的图像上的表现，并发现 YOLOv8 是最佳模型，其在包含 VOC、COCO 和 TT100K 数据集的 Obstacle 数据集上表现出 80% 的精确度和 68.2% 的召回率，尽管 YOLO-NAS 是最新的模型，在其他应用中表现更好，但对于障碍物检测任务来说并不理想。

Dec, 2023

研究提出了一种新的实时目标检测算法 YOLO-Drone，应用于两种新的无人机平台和特定光源，在 UAVDT 和 VisDrone 两个基准数据集以及夜间采集的自制数据集中表现优于现有的状态 - of-the-art 方法，并且在硅基金光 LED 下的性能表现明显优于普通光源，证明了该算法对无人机领域中的目标检测特别是夜间检测任务具有高效的解决方案。

Apr, 2023

本文提出了一种广义飞行物实时检测模型，可用于迁移学习和进一步研究，同时提出了一种可用于实现的改进模型。通过将第一通用模型训练在包含 40 种不同类别的飞行物数据集上，我们可以使模型提取抽象特征表示，然后在代表真实世界环境的数据集上执行传递学习，从而生成改进的模型，并且我们尝试使用当前最先进的单发探测器 YOLOv8 来解决一些出现的挑战。最后得到的模型达到了 0.685 的 mAP50-95 和 50fps 的平均推断速度。

May, 2023

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

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