Mar, 2024

基于YOLOv7与ShuffleNetv2、Vision Transformer集成的轻量级目标检测研究

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 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

  • YOLO-Z: 自动驾驶车辆中改进 YOLOv5 小物体检测

    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

  • 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

  • 从YOLOv1到YOLOv8以及未来——YOLO的全面评估

    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

  • HIC-YOLOv5：改进的YOLOv5用于小物体检测

    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

  • YOLO-TLA：基于YOLOv5的高效轻量级小物体检测模型

    我们在本文中提出了YOLO-TLA，这是一种基于YOLOv5的先进物体检测模型，通过在颈部网络金字塔架构中引入一个额外的检测层来检测小对象，从而提供一个更大尺度的特征图以辨别小对象的更细致特征，并将C3CrossCovn模块集成到骨干网络中，有效地减少计算需求和参数数量，使模型更加紧凑

    Feb, 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

  • YOLOv8是什么：下一代目标检测器内部特征的深入探索

    本研究针对YOLOv8目标检测模型进行了详细分析，解决了现有模型（如YOLOv5）在架构和性能改进方面的不足。论文介绍了包括CSPNet骨干网、FPN+PAN颈部结构等关键创新，展现了YOLOv8在多个基准测试上的高准确率和实时能力，强调了其开发者友好的增强功能，使得模型训练和部署更加便捷。该研究为目标检测领域的前沿解决方案奠定了基础。

    Aug, 2024

  • YOLOv9是什么：下一代目标检测器内部特征的深入探索

    本研究针对YOLOv9目标检测模型进行全面分析，填补了对其架构创新、训练方法及性能改进的认识空白。论文提出了新的特征提取和梯度流技术，如通用高效层聚合网络（GELAN）和可编程梯度信息（PGI），显著提升了检测精度和效率，展示了YOLOv9在多项基准测试中的优越表现，确立了其在实时目标检测中的领先地位。

    Sep, 2024

  • YOLOv11：关键架构创新概述

    本研究针对YOLOv11的架构进行分析，解决了现有目标检测模型中的性能提升问题。论文提出了C3k2、SPPF和C2PSA等关键新组件，并探讨了YOLOv11在目标检测、实例分割等计算机视觉任务中的能力扩展，发现其在均值平均精度和计算效率方面优于前代模型，显著提升了实时计算机视觉应用的性能。

    Oct, 2024