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

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

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

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

本文提出了一种名为 Fast YOLO 的新框架，通过深度智能进化框架优化了 YOLOv2 网络架构并将运动自适应推理方法引入，从而在保持性能的同时，在嵌入式设备上实现实时物体检测。实验结果表明，Fast YOLO 框架可以在平均 3.3 倍的速度加速下，将嵌入式系统上的检测性能提高到 18FPS。

Sep, 2017

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

本文提出了第一款实时端到端物体检测器 ——Real-Time DEtection TRansformer（RT-DETR），支持灵活调整推理速度且在速度和准确度上均优于同一规模的 YOLO 检测器以及 DINO-Deformable-DETR-R50 模型，采用了高效的混合编码器处理多尺度特征并提出 IoU 感知的查询选择。

Apr, 2023

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

提出了一种名为 DEYOv3 的全新端到端实时目标检测模型，采用逐步训练方法，设计灵活、训练成本低，速度和准确性均优于现有的实时目标检测器。

Sep, 2023

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