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

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

在道路基础设施维护和保障道路安全中，有效检测道路危险是至关重要的。本研究评估了YOLOv8，一种物体检测模型，在检测路面危险，如坑洞、下水道盖和人孔等方面的综合性能。通过与之前版本YOLOv5和YOLOv7的比较分析，强调了计算效率在各种应用中的重要性。本文探讨了YOLOv8的架构，并探索了旨在提高检测准确性的图像预处理技术，包括光照、道路类型、危险大小和类型的多样条件。此外，通过调整学习率、批量大小、锚点框大小和增强策略进行超参数调优实验，优化模型的性能。模型评估基于Mean Average Precision (mAP)，这是一种广泛接受的物体检测性能指标。通过在多种测试场景下计算mAP分数，本研究评估了模型的稳健性和泛化能力，强调了YOLOv8在道路危险检测和基础设施维护中的重要性。

Oct, 2023

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

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

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

本文提出了一种综合方法来增强YOLOv8模型，其中引入了C2f_RFAConv模块和Triplet Attention机制，通过实验证明了改进后的YOLOv8模型在目标检测方面显著提高了性能。

Jun, 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

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