YOLOv12 正式发布 | 检测效果超越YOLO11！！

最新推荐文章于 2025-03-17 18:39:04 发布

AI追随者

最新推荐文章于 2025-03-17 18:39:04 发布

阅读量4.4k

点赞数 27

分类专栏：目标检测算法原理文章标签： YOLO 计算机视觉人工智能

本文链接：https://blog.csdn.net/qq_40716944/article/details/145744609

版权

论文地址：YOLOv12: Attention-Centric Real-Time Object Detectors

代码地址：https://github.com/sunsmarterjie/yolov12

提升YOLO框架的网络架构一直至关重要，尽管注意力机制在建模能力方面已被证明具有优越性，但长期以来一直专注于基于CNN的改进。这是因为基于注意力的模型无法与基于CNN的模型的速度相匹配。本文提出了一种以注意力为中心的YOLO框架，即YOLOv12，该框架在匹配先前基于CNN的模型速度的同时，利用了注意力机制的性能优势。

YOLOv12在准确率上超越了所有流行的实时目标检测器，同时保持了有竞争力的速度。例如，YOLOv12-N在T4 GPU上实现了1.64ms的推理延迟，达到40.6%的mAP，比先进的YOLOv10-N/YOLOv11-N分别高出2.1%/1.2%的mAP，且速度相当。这一优势也扩展到其他模型规模。YOLOv12还超越了改进DETR的端到端实时检测器，如RT-DETR/RTDETRv2：YOLOv12-S在运行速度上快42%，仅使用36%的计算资源和45%的参数，就击败了RT-DETR-R18/RT-DETRv2-R18。

1 引言

实时目标检测因其低延迟特性一直受到广泛关注，这些特性提供了巨大的实用性。其中，YOLO系列在延迟和准确率之间取得了有效的平衡，从而主导了该领域。尽管YOLO的改进主要集中在损失函数、标签分配和网络架构设计等方面，但网络架构设计仍然是关键的研究优先事项。尽管以注意力为中心的视觉Transformer（ViT）架构已被证明即使在小型模型中也具有更强的建模能力，但大多数架构设计仍然主要关注CNN。

这种情况的主要原因在于注意力机制的效率低下，这主要源于两个因素：注意力机制的二次计算复杂性和不高效的内存访问操作（后者是FlashAttention解决的主要问题）。因此，在类似的计算预算下，基于CNN的架构比基于注意力的架构性能高出约，这显著限制了注意力机制在YOLO系统中（在高推理速度至关重要的系统中）的应用。

本文旨在解决这些挑战，并进一步构建一个以注意力为中心的YOLO框架，即YOLOv12。作者提出了三个关键改进：

首先，提出了一种简单而高效的区域注意力模块（A2），它通过非常简单的方式减少了注意力计算复杂性，同时保持了较大的感受野，从而提高了速度。
其次，引入了残差高效层聚合网络（R-ELAN）来解决注意力（主要是大规模模型）引入的优化挑战。R-ELAN基于原始ELAN 引入了两个改进：

1）基于缩放技术的块级残差设计；

2）重新设计的特征聚合方法。

最后，对传统的注意力中心架构进行了某些架构改进，以适应YOLO系统。作者升级了传统的注意力中心架构，包括：引入FlashAttention以克服注意力的内存访问问题，移除如位置编码等设计以使模型快速且简洁，调整MLP比例从4到1.2以平衡注意力和 FFN 之间的计算，减少堆叠块的深度以促进优化，尽可能多地使用卷积算子以利用其计算效率。

基于上述设计，作者开发了一组具有5个模型尺度的实时检测器：YOLOv12-N、S、M、L和X。作者在遵循YOLOv11 的标准目标检测基准上进行了广泛的实验，没有使用任何额外的技巧，证明了YOLOv12在这些尺度上提供了显著的改进，无论是在延迟-精度还是FLOPs-精度权衡方面，如图1所示。

例如，YOLOv12-N实现了40.6%的mAP，比YOLOv10-N高出2.1%的mAP，同时保持了更快的推理速度，比YOLOv11-N高出1.2%的mAP，速度相当。这种优势在其他-Scale模型中也保持一致。与RT-DETR-R18 / RT-DETRv2-R18相比，YOLOv12-S在mAP上分别提高了1.5%/0.1%，同时报告了42%/42%的更快延迟速度，只需要他们36%/36%的计算量和45%/45%的参数量。

总结来说，YOLOv12的贡献有两方面：