本文提出了一种通过使用高斯参数建模和重新设计损失函数来提高YOLOv3的检测精度以及一种用于预测位置不确定性以指示bbox可靠性的方法。经过KITTI和Berkeley deep drive (BDD)数据集测试，与传统的YOLOv3相比，所提出的算法(Gaussian YOLOv3)在保持实时检测速度(42帧/秒)的同时，将平均精度提高了3.09和3.5个点。因此，本研究提出的算法是自动驾驶应用中最合适的检测算法。

Apr, 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

本文针对Advanced Driver-Assistance Systems (ADAS)中行人检测的挑战，使用YOLOv5s框架在Caltech行人数据集上进行fine-tune，并且开发了可用于准备数据和注释数据的工具箱。实验结果表明，使用作者提出的方法，行人检测任务的均值平均精度（mAP）可高达91％，且最高帧率可达70 FPS，是一种比其他现有技术更为有效和准确的方法。

Oct, 2022

通过训练和评估YOLOv8和RT-DETR模型的不同版本，我们的研究项目旨在创建和验证一个先进的深度学习框架，能够处理复杂视觉输入，以实时识别各种环境中的汽车和行人。YOLOv8 Large版本被证明是最有效的，在行人识别方面具有很高的准确性和鲁棒性。研究结果表明，该模型能够显著提高交通监控和安全性，成为计算机视觉领域实时可靠检测的重要贡献，并为交通管理系统建立了新的基准。

Apr, 2024

该研究通过比较分析YOLOv5和YOLOv8模型，挑战了后者在性能指标上的优越性的普遍假设。与最初的预期相反，YOLOv5模型在目标检测任务中表现出了可比较的甚至在某些情况下优越的精度。我们的分析探讨了导致这些发现的底层因素，包括模型架构复杂性、训练数据集的差异和实际应用性等方面。通过严格测试和消融研究，我们呈现了对每个模型能力的细致理解，为选择和优化用于机器人应用的目标检测框架提供了洞察。该研究的意义扩展到更高效和情境适应性系统的设计，强调了评估模型性能的整体方法的必要性。

Jun, 2024

本文使用了改进的YOLOv5和YOLOv8模型，在不同照明条件下检测和分类不同的道路标志，实验结果表明，两个模型在不同训练设置下都能表现良好，其中YOLOv8模型的MAP50得分略高。这些发现为寻求可靠且适应性强的物体检测应用方案的从业人员提供了宝贵的见解。

Jun, 2024

本研究针对远程相机捕捉到的小物体检测挑战，提出了SOD-YOLOv8模型，专门设计用于处理大量小物体的场景。通过改进YOLOv8的多路径融合和引入新的检测层，SOD-YOLOv8显著提高了检测精度，在动态的交通场景中展现出优越的性能，证明了其在实际应用中的可靠性和有效性。

Aug, 2024

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

本研究针对分心驾驶这一紧迫的安全问题，提出了一种高效实时的机器学习模型P-YOLOv8，以实现对分心驾驶行为的检测。与传统模型相比，P-YOLOv8在保持高达99.46%准确率的同时，通过优化架构使模型体积仅为2.84 MB，显著提高了计算效率，适用于实时应用。

Oct, 2024

该研究解决了智能交通系统、自动驾驶和交通监测中车辆检测准确性不足的问题。YOLO11作为YOLO系列最新的深度学习模型，通过架构改进，提高了在复杂环境下的检测速度和准确性。研究结果表明，YOLO11在检测较小和被遮挡车辆方面超过了之前的版本，为自动驾驶和交通监测系统的效率提升提供了新的视角。

Oct, 2024