本文提出了一种面向异构嵌入式设备的高效物体检测系统解决方案，其中包括量化网络和专门的加速器，并采用分组数据流策略将计算密集型的卷积操作映射到加速器中以提高效率。研究结果显示，在512x512输入大小的实际监控视频中，该系统的推理速度可以达到18 FPS，功耗仅为6.9W，并在PASCAL VOC 2012数据集上实现了66.4的mAP。

Sep, 2019

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

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

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

通过在4个不同的数据集和4个不同的嵌入式硬件平台（x86 CPU，ARM CPU，Nvidia GPU，NPU）上进行公平、可控的比较，收集了550多个基于YOLO的目标检测模型的准确性和延迟数据，并通过帕累托优化分析表明，基于YOLO系列的多种架构都可在准确性和延迟之间取得良好的平衡，包括YOLOv3和YOLOv4等旧模型。在YOLOBench上评估了神经架构搜索中的无成本准确性估计器，并证明虽然大多数最先进的零成本准确性估计器被简单的基准（如MAC计数）超越，但其中一些可以有效地用于预测帕累托最优的检测模型。通过在树莓派4 CPU上使用零成本代理，展示了一种与最先进的YOLOv8模型具有竞争力的YOLO架构。

Jul, 2023

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

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％。

Sep, 2023

本研究填补了微控制器上单次目标检测的可行性空白，提出了microYOLO模型。通过在Cortex-M系列微控制器上实现该模型，研究显示其在处理128x128 RGB图像时，能够以约3.5 FPS的速度运行，并且内存消耗低于800 KB Flash和350 KB RAM，为边缘设备的目标检测开启了新的可能性。

Aug, 2024