在小物体检测领域，针对计算代价大且预测性能有待提高的问题，提出了一种改进的 YOLOv5 模型：HIC-YOLOv5。它通过添加特定于小物体的额外预测头部以提供更高分辨率的特征图进行更精确的预测，采用了 involution 块在主干网和 neck 之间以增加特征图的通道信息，并在主干网的末端应用了一种名为 CBAM 的注意力机制，从而不仅减少了与先前方法相比的计算代价，还加强了通道和空间域中的重要信息。在 VisDrone-2019-DET 数据集上，HIC-YOLOv5 的 mAP@[.5:.95] 提高了 6.42%，[email protected] 提高了 9.38%。

Sep, 2023

本文研究了如何通过修改 YOLOv5 模型的结构和参数来提高其在自动驾驶赛车中检测小目标的性能，最终提出了一系列新模型 YOLO-Z，并取得了最多 6.9％ 的 mAP 改进。

Dec, 2021

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

TinyissimoYOLO 是一种高度灵活、量化、内存高效、超轻量级的目标检测网络，旨在实现毫瓦级嵌入式微控制器上的实时目标检测；通过量化网络架构实现实时目标检测，最多支持 3 个对象检测类，并可用于不同型号的微控制器。

May, 2023

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

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

本研究提出了 YOLO9tr，一种基于深度学习的新型轻量级目标检测模型，用于道路损坏检测，其在特征提取和注意力机制方面引入了部分注意力块，以提高在复杂情况下的检测性能，并通过多国的道路损坏图像数据集进行训练，扩展了损坏分类范围，并与 YOLO8、YOLO9 和 YOLO10 等先进模型相比具有更高的精度和推断速度，达到高达 136FPS 的帧率，适用于实时应用，该研究进一步验证了部分注意力块的有效性，突出了 YOLO9tr 在实时道路状况监测中的潜力，为维护安全和功能良好的道路基础设施提供了稳健和高效的解决方案。

Jun, 2024

该研究深入研究并改进了 YOLOv5s 模型在小目标检测任务中的局限性，通过引入基于 GhostNet 的卷积模块、基于 RepGFPN 的 Neck 模块优化、CA 和 Transformer 的注意机制以及使用 NWD 改进的损失函数，成功提升了模型的性能，并在实验结果中验证了这些改进策略对于模型精度、召回率和 mAP 的积极影响。特别是，在处理复杂背景和微小目标的真实应用测试中，改进后的模型表现出显著的优越性。本研究为 YOLOv5s 模型在小目标检测上提供了有效的优化策略，并为未来相关研究和应用奠定了坚实的基础。

Oct, 2023