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

YOLOv7是一种实时目标检测器，其速度和精度表现均优于已有模型，且只在MS COCO数据集上进行训练。

Jul, 2022

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

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

本研究通过使用高级技术（如Group Convolution、ShuffleNetV2和Vision Transformer），优化了YOLOv7算法，减小了模型的参数数量和内存使用，并简化了网络架构，从而在资源受限的设备上加强了实时物体检测的能力。实验结果表明，经过改进的YOLO模型表现出卓越的性能，在保持卓越的检测准确度的同时，显著提高了处理速度。

Mar, 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

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