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

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

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

YOLO-Former方法将Transformer和YOLOv4的思想无缝集成，创建了一个高度准确和高效的目标检测系统。该方法通过将卷积注意力和Transformer模块整合，利用YOLOv4的快速推理速度并融合Transformer架构的优势，实现了高度准确性，输出了一帧率为10.85帧每秒，Pascal VOC数据集上均值平均精度（mAP）达到了85.76％。本工作的贡献在于展示了这两种最先进技术的创新组合如何进一步提高目标检测领域的性能。

Jan, 2024

通过消除非极大值抑制（NMS）的依赖性和综合优化YOLOs的各个组件，本研究提出了一种新一代的实时端到端目标检测模型YOLOv10，其在性能和效率方面均取得了最新的成果。

May, 2024

此综述系统地考察了You Only Look Once（YOLO）目标检测算法从YOLOv1到最新发布的YOLOv10的发展进程。通过逆向时间顺序分析，研究探讨了YOLO算法带来的进步，从YOLOv10开始，逐步分析了YOLOv9、YOLOv8和后续版本在提高实时目标检测的速度、准确性和计算效率方面的贡献。该研究强调了YOLO在五个关键应用领域（汽车安全、医疗保健、工业制造、监视和农业）的革命性影响。通过详细描述每个版本的技术进步，本综述不仅记录了YOLO的演变，还讨论了早期版本中观察到的挑战和限制。这种演进标志着将YOLO与多模态、上下文感知和通用人工智能（AGI）系统相结合的路径，为下一个YOLO十年提供了重要的发展影响，对于AI驱动应用的未来发展具有重要意义。

Jun, 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

本研究通过对YOLO（一次仅看一次）算法进行全面基准分析，揭示了YOLO11及其前代的性能表现，填补了该领域的研究空白。研究采用多个数据集进行评测，提供了精确度、处理时间等多项指标，最终发现YOLO11在准确性、速度及计算效率上表现优异，为行业与学术界的YOLO算法选择提供了重要参考。

Oct, 2024