目标检测从两阶段R-CNN系列到单阶段YOLO系列精炼

基于神经网络的目标检测方法，可以分为两类：
1）两阶段目标检测

• R-CNN
• SPP-Net
• Fast R-CNN
• Faster R-CNN
• R-FCN
• Mask R-CNN等

两阶段目标检测方法将目标检测任务分为两个步骤：

• 第一阶段：区域提议：首先，网络会生成一些候选区域或“锚框”——这些区域可能包含目标。这个阶段的任务是从输入图像中提取出可能含有目标的区域。
• 第二阶段：分类与回归：然后，网络会对每个提议区域进行精确分类，并回归物体的边界框坐标。

2）单阶段目标检测

• SSD
• YOLO
• RetinaNet
• RefineDet 等

单阶段目标检测方法直接从输入图像中预测物体的类别和位置（边界框）。通常，它的过程包括：

• 特征提取：使用卷积神经网络（CNN）从输入图像中提取特征。
• 预测阶段：在特征图上直接进行目标检测，预测每个位置的类别标签和边界框坐标。

1. 两阶段之R-CNN

1.1 算法基本流程

如上图所示，R-CNN这个物体检查系统可以大致分为四步进行：
1）.获取输入图像
2）.使用selective search的提取约2000个候选区域
3）.将候选区域调整为统一尺寸227x227，分别输入CNN网络 AlexNet中，提取特征
4）.将CNN的输出输入SVM中进行类别的判定
5）.使用区域特征训练线性回归器，对区域未知进行调整。

1.2 训练过程中的微调

CNN的输出由1000个神经元分类层–> 随机初始化N+1个神经元分类层。N–类别个数，1–背景。论文中N=20

1.3 边界回归

减小目标定位误差。一个线性回归模型预测一个新的目标边界框的位置。

1.4 R-CNN问题

• 计算量大
  2000个候选区域边界框，都需要进行CNN特征提取和SVM训练分类，计算量极大；所以R-CNN的检测速度非常慢。
• 提取区域质量不好
  selective search提取的区域质量不好。
• 训练时间长
  特征提取和SVM分类器是分模块独立训练，没有进行联合系统优化，训练耗时长。

2. 两阶段之SPP-Net

众所周知，CNN的全连接层需要固定大小的输入；所以当输入数据的尺寸不满足需求时，就需要对输入数据进行特殊处理，比如Cropping或者Warping方法。

• crop
  从一个大图中选取需求大小的patch，比如227×227
• warp
  把一个边界框bounding box的内容大小通过拉伸或者缩放成227×227。

然而，这两种方法也有缺点。cropped region 有可能包含不了整个目标；warped内容可能导致不想要的几何扭曲。

对此，SPP-Net作者提出在卷积层和全连接层间，加入某种结构，使其这种结构的输出符合全连接层的需求大小尺寸。而这种结构就是SPP-Net。其中SPP是Spatial Pyramid Pooling空间金字塔池化的简称。

2.1 原图只一次CNN全图特征

与R-CNN形成明显对比，为了高效；SPP Net
1）只对原图进行一次卷积计算，得到整幅图像的特征图
2）在特征图的对应区域找到每个候选边界框的映射区域
3）将此区域作为每个候选边界框的卷积特征输入到SPP层和后面的层

2.2 空间金字塔池化SPP

从图中看，SPP Net结构中加入了ROI池化层（ROI Pooling），使得网络的输入图像可以是任意尺寸的，但是输出不变，保持一个固定维数的向量。
在SPP layer中每一个pooling的filter会根据输入调整大小，而SPP的输出则是固定维数的向量，然后输入给全连接层。

3. 两阶段之Fast R-CNN

作者基于R-CNN和SPP-Net，为了简化R-CNN的计算复杂度，提出了Fast R-CNN：
1）使用与SPP Net的SPP层类似的ROI Pooling layer
文章中，感兴趣区域池化层是SPP空间金字塔池化层的简化版，只有一层。使用最大池化的方法将ROI转换成固定大小的HW的特征图(比如77)。
2）目标分类和边界框回归合并
目标分类和边界框回归合并成一个多任务模型放到神经网络内部；同时，可以共享CNN卷积特征。用softmax+regression 代替svm+regression。

以下是Faster R-CNN和Fast R-CNN的异同之处，盗用百度，见谅！！！

4. 两阶段之Faster R-CNN

Fast R-CNN虽然在速度和精度上有了显著的提升，但是需要额外消耗时间使用外部算法来找出所有的候选框。
因此，Shaoqing Ren和Kaiming He等人，又提出了Faster R-CNN，将提取目标候选框的工作整合到神经网络中。

文章引入Region Proposal Network(RPN)替代Selective Search，并且引入anchor box应对目标形状的变化问题（anchor就是位置和大小固定的box，可以理解成事先设置好的固定的proposal）。

作为Fast R-CNN的升级版，可将Faster R-CNN看成是RPN+Fast R-CNN，并且RPN和Fast R-CNN共享一部分卷积。基本步骤：将图像送入Faster R-CNN检测；图像经过卷积层conv layer，得到特征图；特征图送入RPN中，得到候选框；候选框和特征图一起进入感兴趣区域池化层；最后得出分类结果。

5. 2015年单阶段之YOLO-v1

论文：《You Only Look Once: Unified, Real-Time Object Detection》
双阶段的各种经典模型，检测速度越来越快；但是仍然不能满足实时检测的需求。于是各种单阶段目标检测方法应运而生。
YOLO是最早出现的单阶段目标检测方法，也是第一个实现了实时目标检测方法。
1）主题思想
整张图作为网络的输入，直接在图像的多个位置上回归出这个位置的边界框，以及目标所属的类别。

2）流程图

• 给定一张输入图像，将图像分成S*S的网格
• 每个网格单元预测B个边界框以及这些边界框的置信度分数
• 根据阈值去除可能性比较低的目标窗口，最后非极大值抑制NMS去除冗余窗口

3）置信度

• we define confidence as Pr(Object) ∗ IoU （预测边界框和真值边界框的IoU）
• Each bounding box consists of 5 predictions: x, y, w, h, and confidence；The (x; y) coordinates represent the center of the box relative to the bounds of the grid cell
• Each grid cell also predicts C conditional class probabilities, Pr(Classi | Object).
• class-specific confidence scores for each box
  

For evaluating YOLO on PASCAL VOC, we use S = 7, B = 2. PASCAL VOC has 20 labelled classes so C = 20.
Our final prediction is a 7 × 7 × 30 tensor.

4) 网络结构

24个卷积层和2个全连接层；使用基于GoogleNet架构的自定义网络DarkNet作为基础网络。

6. 2016年单阶段之YOLO-v2

基于YOLO-v1的一些缺点（大量定位误差和较低的召回率Error analysis of YOLO compared to Fast R-CNN shows that YOLO makes a significant number of localization errors. Furthermore, YOLO has relatively low recall compared to region proposal-based methods），YOLO作者又提出了v2版本。
论文：《YOLO9000: Better, Faster, Stronger》

6.1 yolo-v2 特点

有如下特点：
1）提高召回率和改进定位，同时保持分类准确性。（ Thus we focus mainly on improving recall and
localization while maintaining classification accuracy.）
2）批标准化Batch Normalization操作；移除dropout。（By adding batch normalization on all of the convolutional layers in YOLO we get more than 2% improvement in mAP. Batch normalization also helps regularize the model. With batch normalization we can remove dropout from the model without overfitting）。全卷积网络结构 Conv+Batch Norm
3）引入anchor boxes预测边界框，去掉全连接层。（We remove the fully connected layers from YOLO and use anchor boxes to predict bounding boxes）。K-Means聚类Anchor

6.2 yolo-v2 表现

加入新的策略后，有如下表现：
1）Batch Normalization。mAP提高了2%
2）anchor boxes。预测边界框数量超过1000个；尽管mAP略有下降，但是召回率上升了。

6.3 yolo-v2 网络结构

使用DarkNet-19分类网络：19个卷积层和5个最大池化层。

7. 2018年单阶段之YOLO-v3

论文：《YOLOv3: An Incremental Improvement》

7.1 特点优化

• 骨干网络 DarkNet53
• 多尺度预测，跨尺度特征融合
• COCO数据集聚类9中不同尺度Anchor
• 分类使用sigmoid激活，支持目标多分类

速度快；320*320 28.2mAP情况下，22ms，即1秒50帧左右。

8. 2020年单阶段之YOLO-v4

论文：《YOLOv4: Optimal Speed and Accuracy for Real-Time Object Detection》

9. 2020年单阶段之YOLO-v5（非官方）

• 非官方版本：
  YOLOv5不是原作者（Joseph Redmon）的官方版本，虽然它在社区中非常流行，但它没有正式的论文支持。
• 主要创新：
  更轻量的架构：YOLOv5是一个非官方版本，由Ultralytics团队开发，针对实际应用进行了许多优化。YOLOv5并没有发表论文，但它通过PyTorch实现，简化了代码结构，增加了更多的模块和工具，使得训练和部署更加便捷。
  自动化的超参数调节：YOLOv5在训练过程中提供了自动化的超参数调节，使得模型更易于优化。
  多种模型大小：YOLOv5提供了多种模型大小（如Small、Medium、Large等），使得模型可以在不同资源环境下进行选择。
• 优点：
  速度和精度：YOLOv5在精度上与YOLOv4相当，但在速度和模型体积上进行了优化，适用于多种实时检测场景。
  易于部署和使用：YOLOv5由于其简洁的代码结构和强大的文档支持，使得用户能够快速地进行训练和部署。

YOLO-v5的项目团队是 Ultralytics LLC 公司，它是一个专注于深度学习和人工智能（AI）领域的公司，特别是在计算机视觉和目标检测技术方面。github项目star数已达 46.5 k，是应用最广泛的YOLO版本。
github项目地址：https://github.com/ultralytics/yolov5

10. 2022年单阶段之YOLO-v6

论文：《YOLOv6: A Single-Stage Object Detection Framework for Industrial Applications》

• 主要创新：
  高效的架构：YOLOv6在YOLOv5的基础上进一步优化，使用了更多创新的网络结构和技术，如更加高效的Backbone和优化的特征融合模块。
  小物体检测优化：YOLOv6尤其在小物体检测上进行了优化，增强了模型对小物体的识别能力。
• 优点：
  更高效的计算：YOLOv6在不牺牲精度的情况下，进一步优化了计算效率，使得在资源受限的设备上也能运行。
  精度和速度兼顾：与YOLOv5相比，YOLOv6在精度和速度上做出了良好的平衡，适合更广泛的应用场景。

11. 2022年单阶段之YOLO-v7

论文：《YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors》

• 网络结构：
  YOLOv7在网络架构上延续了YOLOv4和YOLOv5的一些设计，并引入了一些新的技术和改进。具体来说，它采用了以下几种重要的技术：
  CSPDarknet53 Backbone：YOLOv7的主干网络（backbone）基于CSPDarknet53，这是一种改进的Darknet网络，采用了CSPNet（Cross-Stage Partial Networks）结构，能够有效地减少计算量并提高特征提取的效率。
  PANet (Path Aggregation Network)：YOLOv7继续使用PANet作为特征融合模块。PANet通过强化不同尺度特征的传递和融合，能够提高小物体的检测精度。
  YOLOv4的改进：YOLOv7借鉴了YOLOv4中关于 SPP（Spatial Pyramid Pooling） 和 YOLOv4的多尺度训练 技术，进一步提高了在各种尺寸物体的检测能力。
  Freebies与Augmentations：
  Bag of Freebies：YOLOv7引入了“Bag of Freebies”（Bof），这一概念指的是不增加额外计算量的优化策略。这些优化技巧包括：更多的数据增强方法、标签平滑、正则化等，能够提高训练时的模型鲁棒性。
  Label Smoothing：通过标签平滑，减少过拟合并提升模型的泛化能力。
  数据增强（如Mosaic）：YOLOv7继续采用了YOLOv5中的Mosaic数据增强技术，并进一步优化了其它数据增强方法，增强了训练数据的多样性。
  锚框（Anchor Box）优化：YOLOv7在锚框设计方面做了改进，通过自适应的锚框调整方法，使得检测精度得到了提升，尤其在边界框回归时更加准确。
  自适应训练方法：YOLOv7引入了自适应训练机制，可以根据不同的硬件和场景，自动调整训练参数和结构，提升了训练效率。
• 主要创新：
  引入"Bag of Freebies"：这是YOLOv7的一项重要创新，即通过引入一系列不增加额外计算开销的技术（如更多的数据增强、正则化、标签平滑等），在提高精度的同时，保证推理速度和计算效率。
  训练增强：YOLOv7的训练方法进一步改进了YOLOv4和YOLOv5中的训练技巧，特别是在数据增强（例如Mosaic）方面，提升了对小物体的检测精度，同时避免过拟合。
  优化的推理速度：YOLOv7进一步优化了推理速度，使其即使在较低的计算资源上也能实现高效的物体检测。
  更强的鲁棒性：通过优化网络结构和增强的训练方法，YOLOv7在复杂场景、低质量图片、遮挡物体等情况中的表现更为稳定。
  模型轻量化：YOLOv7通过优化网络结构，在不牺牲精度的情况下，进一步降低了模型的参数量和计算量，适应更多硬件平台和应用场景。
• 优点：
  高精度：YOLOv7在检测精度方面相比前一版本有了显著提升，特别是在小物体检测上，YOLOv7能够更好地保留图像的细节和特征。
  实时检测：尽管在精度上有所提升，YOLOv7仍然保持了其“实时性”的特点，能够在普通GPU上高效运行，非常适用于边缘设备和移动设备上的实时物体检测任务。
  高效性与轻量化：YOLOv7相比YOLOv4和YOLOv5进一步优化了计算效率，能够在较低的硬件资源下运行，且保持较高的检测性能。
  强大的小物体检测能力：YOLOv7通过多尺度特征融合和更好的锚框优化，提升了对小物体和密集物体的检测能力，使其在复杂场景中的表现更好。
  鲁棒性强：YOLOv7在训练过程中引入了大量数据增强方法，增强了模型的鲁棒性，能够适应更多不同环境和条件下的检测任务。
  支持多种任务：除了目标检测，YOLOv7也提供了对实例分割等任务的支持，使得它能够处理更多不同的计算机视觉任务。
• 缺点：
  训练时间较长：YOLOv7由于采用了更复杂的网络结构和更多的增强技巧，训练时间相比YOLOv5会更长，尤其在数据量大的时候，训练的时间成本较高。
  推理速度略有下降：虽然YOLOv7在保持实时性的前提下提升了精度，但与YOLOv5相比，在某些高帧率要求的场景下，推理速度可能略微下降。
  需要较强的计算资源：尽管YOLOv7经过了优化，但由于其复杂的网络结构，仍然需要较强的GPU支持，尤其在训练时，对于一些普通的设备可能不够友好。

11. 2023年单阶段之YOLO-v8（非官方）

• 论文：
  无。YOLOv8 并没有正式的学术论文（像YOLOv7和YOLOv6一样），但它在YOLOv5的基础上进行了一些实用的增强和优化。因此，更多的改进体现在其GitHub上的文档、发布说明和开源代码中。
• 网络结构：
  YOLOv8 在网络架构方面对YOLOv7进行了进化，包含了新的改进和多样化的功能扩展。YOLOv8 保持了 YOLO系列的高效架构，并且进行了以下优化：
  新型 Backbone 网络：YOLOv8 提供了全新的 CSPDarknet-88（类似YOLOv4中的CSPDarknet），进一步减少了计算量并增强了特征提取能力。CSPBackbone 在减少参数量的同时，保留了较高的特征表达能力，特别在小物体和细粒度物体检测上表现出色。
  网络层次化设计：YOLOv8 引入了层次化的网络设计，通过更加细化的层次结构，改进了多尺度特征的学习，能够更好地对多种尺寸的物体进行检测。
  自适应损失函数：YOLOv8 引入了 自适应损失函数（Adaptive Loss Function），根据不同类型的物体和任务自动调整损失函数的权重。这使得模型在不同场景下更具灵活性，尤其在复杂场景或是特殊物体的检测时具有更好的表现。
  Transformer模块：YOLOv8 集成了一些Transformer模块，用于提高全局上下文信息的学习和建模，尤其对小物体检测和密集场景的物体检测有显著的改进。
  多任务学习支持：除了目标检测，YOLOv8 还扩展了多任务学习的支持，包括 实例分割、关键点检测 和 姿态估计。因此，YOLOv8 适用于更广泛的视觉任务，具有更高的灵活性。
  优化的推理结构：YOLOv8 对推理过程进行了深度优化，利用 量化、剪枝、混合精度计算 等技术，进一步提升了推理速度，降低了计算资源的消耗，特别适合在边缘设备上运行。
• 主要创新：
  更高效的推理速度： YOLOv8通过更轻量级的网络结构和推理优化（如混合精度计算和量化）显著提升了检测速度，减少了计算资源的消耗，使其能够在低功耗设备（如手机、嵌入式设备）上高效运行。
  自适应损失函数： 自适应损失函数可以根据不同的任务或场景自动调整，优化了小物体检测、密集场景下的物体检测等复杂情况，提升了模型的鲁棒性。
  Transformer模块引入： 引入Transformer模块让YOLOv8能在全局上下文的建模方面更具优势，尤其对小物体检测和不同尺度物体检测提供了支持，提高了网络的感知能力。
  多任务学习支持： YOLOv8进一步扩展了模型的能力，不仅能够进行目标检测，还可以进行实例分割、关键点检测、以及姿态估计等任务。使得该模型在多个视觉任务上具有竞争力。
  增强的训练技巧： YOLOv8引入了更多有效的数据增强技术，如 Mosaic增强、Mixup增强、旋转/翻转等，进一步提高了模型的泛化能力，使得它能够在更多变化的场景下保持高精度。
  支持Edge设备： YOLOv8 在推理上进行了深度优化，尤其是支持边缘设备（Edge devices）的部署，如手机、摄像头、IoT设备等。
• 优点：
  极高的检测精度： YOLOv8不仅提升了检测速度，也显著提高了精度，尤其在对小物体、密集场景和复杂背景下的目标检测上表现出色。
  实时性强： 作为YOLO系列的一部分，YOLOv8 保持了实时性优势，能够以极快的推理速度处理视频流，适用于大多数实时目标检测任务。
  更强的鲁棒性： 通过自适应损失函数、数据增强和更深层次的特征融合，YOLOv8 对不同类型的物体和复杂背景有了更强的鲁棒性，能够有效应对低质量图像、光照变化、遮挡等情况。
  硬件适应性： YOLOv8在硬件适应性方面进行了优化，可以在各种平台上高效运行，包括移动设备、嵌入式设备和普通GPU。它适应了从高性能GPU到边缘设备的各种计算资源。
  多任务学习能力： YOLOv8不仅适用于传统的物体检测，还支持实例分割、关键点检测和姿态估计等多个计算机视觉任务，使得它在多种应用场景下都具有优势。
  简便的使用和部署： 由于YOLOv8的开源和可用的框架支持（如PyTorch），开发者可以方便地在不同的平台上进行训练、微调和部署。其简化的接口和文档，使得用户能够迅速上手。
  轻量化设计： YOLOv8 通过量化和剪枝等技术，减少了模型的参数和计算量，在保证精度的前提下，推理速度更快，适合部署在资源有限的设备上。
• 缺点：
  训练时间较长： 尽管推理速度很快，但YOLOv8的训练仍然可能需要较长时间，尤其是在数据量较大时。对于一些计算资源较为紧张的开发者来说，训练时间可能是一个挑战。
  硬件要求： 尽管YOLOv8优化了推理性能，但在训练阶段，它依然需要较强的计算资源，特别是在大规模数据集上进行训练时，可能需要高端GPU。
  内存占用： YOLOv8的网络结构相对较大，在一些低内存环境下可能需要进行内存优化。

12. 2024年2月单阶段之YOLO-v9

论文：《YOLOv9: Learning What You Want to Learn Using Programmable Gradient Information》

• 网络结构
  骨干网络：保留了与 YOLOv8 类似的基于 CNN 的骨干网络，用于多尺度特征提取，但通过集成 GELAN 进行了改进。GELAN 在 Efficient Layer Aggregation Network（ELAN）基础上扩展，融入 CSPblocks、Resblocks 和 Darkblocks 等多种计算块，在不增加计算复杂度的情况下确保高效特征提取，保留网络各层关键层次特征，维持准确率和计算的平衡。
  颈部：继承了 YOLOv8 中 PANet 的进展，通过使用 PGI 显著增强了特征融合过程。结合 PGI 中的多级辅助信息，改进了来自不同层的特征融合，有效解决数据在网络中移动时的信息丢失问题，有助于稳定梯度计算，使 YOLOv9 擅长检测不同大小的对象。
  头部：继续采用 YOLOv8 中引入的无锚点边界框预测方法，受益于 PGI 提供的可逆函数。可逆架构确保在前向和反向传递过程中不会丢失关键数据，以更低计算开销获得更可靠的预测，提高了推理速度和准确率，更适合实时应用。
• 主要创新
  通用高效层聚合网络（GELAN）：将 CSPNet 和 ELAN 两种梯度路径规划的神经网络结合，设计出考虑轻量级、推断速度和准确性的通用高效层聚合网络。整体架构允许使用任何计算模块，将 ELAN 的能力推广到新架构，不再仅限于堆叠卷积层。
  可编程梯度信息（PGI）：引入辅助可逆分支来记录每个网络层的梯度信息，并在训练过程中动态调整。解决了深度监督仅适用于极深神经网络结构的问题，使新的轻量级架构也能有良好应用效果。PGI 框架包括主分支、辅助可逆分支和多级辅助信息，主分支用于推断，辅助可逆分支解决信息瓶颈问题，多级辅助信息处理深度监督引起的误差累积问题。
  正则化技术：采用权重衰减（L2 正则化）和 Dropout 等多种正则化技术，限制模型复杂度或随机丢弃部分网络节点，提高模型泛化能力。
  训练策略：采用自适应学习率调整、数据增强技术如 MixUp、CutMix 等，还使用了批量归一化和权重初始化等技术。
• 优点
  性能卓越：在 MS COCO 数据集上表现出色，不同模型版本如 v9-S 到 v9-E 都实现了精度（AP 指标）的改进。例如，与 YOLOv8-x 相比，v9-E 参数减少了 15%，计算需求减少了 25%，同时 AP 大幅提高了 1.7%。
  高效轻量：轻量级模型如 v9-S 在参数效率和计算负荷方面超过了 YOLOm-S，同时在 AP 方面提高了 0.4%-0.6%。与 YOLOv7af 相比，v9-C 运行参数减少了 42%，计算需求减少了 21%，却达到了相当的精度，在保持高精度的同时降低了计算复杂度。
  适应性强：通过 GELAN 架构的灵活设计以及 PGI 对梯度的有效处理，能更好地适应不同的计算环境、任务和复杂场景。
  部署便捷：可无缝集成到 PyTorch 和 TensorRT 等框架中，能针对不同硬件平台进行优化和适配，方便在从边缘设备到高性能 GPU 等各种硬件上部署2。

13. 2024年5月单阶段之YOLO-v10

YOLOv10 是由清华大学多媒体智能组（THU - MIG）在2024 年 5 月 25 日正式发布的目标检测模型
论文：《YOLOv10: Real-Time End-to-End Object Detection》

• 网络结构
  骨干网络：采用增强版 CSPNet（Cross Stage Partial Network），改善梯度流并减少计算冗余，也有研究提出华为诺亚的 VanillaNet 可作为潜在改进选项，以提升模型鲁棒性和效率。
  颈部网络：运用 PAN（Path Aggregation Network）层实现有效的多尺度特征融合，可能采用 C2fCIB 模块，在语义特征丰富层以深度可分离卷积替代标准卷积，降低计算量并增大感受野。
  头部网络：下采样操作由 SCDown 替换原有的单个 CBL，先通过 1x1 卷积调节通道数，再用 k=3、s=2 的深度卷积进行空间下采样；Detect 模块在 Cls 分类分支将连续 Conv3x3 卷积替换为两个 Conv3x3+Conv1x1 深度可分离卷积，降低计算量；在 SPPF 层后添加 PSA Block 模块，提供全局计算能力；采用双头设计，One-to-Many Head 在训练时为每个对象生成多个预测，提供丰富监督信号，One-to-One Head 在推理时为每个对象生成一个最佳预测，消除对 NMS 的需求。
• 主要创新
  无 NMS 训练的一致双重分配：采用双重标签分配策略，将一对多和一对一策略结合，训练时同时优化两个头部结构，利用一对多匹配的丰富监督，推理时仅用一对一匹配头部，无需 NMS，提高推理效率，通过一致匹配度量对齐两种策略的监督，提升预测质量。
  整体效率 - 准确性驱动设计：从效率角度，设计了轻量级分类头，采用深度可分离卷积减少计算开销；提出空间通道解耦下采样，解耦空间缩减和信道调制，减少信息损失和计算成本；进行秩引导块设计，根据内在阶段冗余调整块设计，优化参数利用。从准确性角度，引入大核卷积扩大感受野，增强特征提取能力；整合部分自注意力模块（PSA），以最小开销改进全局表征学习。
• 优点
  高效推理：消除了 NMS 操作，减少推理延迟，如 YOLOv10-S 比具有类似 AP 的 RT-DETR-R18 快 1.8 倍。
  精度提升：在 COCO 等数据集上表现出色，YOLOv10-L/X 的性能比 YOLOv8-L/X 高 0.3AP/0.5AP；通过大核卷积和部分自注意力模块等创新，提升了特征提取和全局表征学习能力，检测精度更高。
  计算成本低：通过轻量级分类头、空间通道解耦下采样等优化，减少了计算开销和参数数量，如 YOLOv10-B 与 YOLOv9-C 性能相同时，延迟减少 46%，参数减少 25%。
  适应性强：多种模型变体可满足不同场景需求，纳米版本适用于资源有限环境，超大型版本可实现最高精度和性能，能很好地应用于自动驾驶、安防监控、机器人导航等领域。

14. 2024年9月单阶段之YOLO-v11

• 论文：
  无。YOLOv11 由 Ultralytics 团队开发，主要人物是 Glenn Jocher4。目前尚未有专门针对 YOLOv11 的独立论文发表，但可参考 Ultralytics 的相关文档和 GitHub 仓库了解更多信息，其官方仓库地址为：https://github.com/ultralytics/ultralytics。
• 网络结构
  主干和颈部：采用改进的主干和颈部架构，引入新的卷积机制如 C3k2 和 C2PSA。
  检测头：在分类检测头中增加了两个深度可分离卷积 DWConv。
• 主要创新
  C3k2 机制：在网络浅层将 C3k 参数设置为 false，类似 YOLOv8 中的 C2f 结构，在浅层网络更有效地提取特征。
  C2PSA 机制：在 C2 机制内部嵌入多头注意力机制，类似在 C2 中嵌入 PSA，更好地捕捉空间上下文信息。
  自适应锚框机制：能够自动优化不同数据集上的锚框配置，更好地适应不同形状和大小的目标。
  EIOU 损失函数：引入新的 EIOU 损失函数，考虑了预测框与真实框的重叠面积、长宽比和中心点偏移。
• 优点
  特征提取增强：能更准确地检测目标，在复杂任务中表现出色。
  速度更快：通过架构设计和训练流程优化，以及混合精度训练技术，提供更快的处理速度，减少显存占用。
  精度更高：在 COCO 数据集上实现了更高的平均精度（mAP），同时使用的参数比 YOLOv8 少 22%。
  适应性广泛：可以无缝部署在各种环境中，包括边缘设备、云平台和支持 NVIDIA GPU 的系统。
  任务多功能：不仅支持目标检测，还支持实例分割、图像分类、姿态估计和定向目标检测（OBB）等多种计算机视觉任务。