【超全】YOLO系列综述： 从YOLOv1到YOLOv12，记录YOLO发展的十年

于 2025-03-02 09:32:46 发布
阅读量7.4k 收藏 89
点赞数 40
分类专栏： 深度学习知识点 文章标签： YOLO 目标检测 YOLO综述
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_42589613/article/details/145958257
版权

《------往期经典推荐------》

一、AI应用软件开发实战专栏【链接】

项目名称项目名称
1.【人脸识别与管理系统开发】2.【车牌识别与自动收费管理系统开发】
3.【手势识别系统开发】4.【人脸面部活体检测系统开发】
5.【图片风格快速迁移软件开发】6.【人脸表表情识别系统】
7.【YOLOv8多目标识别与自动标注软件开发】8.【基于YOLOv8深度学习的行人跌倒检测系统】
9.【基于YOLOv8深度学习的PCB板缺陷检测系统】10.【基于YOLOv8深度学习的生活垃圾分类目标检测系统】
11.【基于YOLOv8深度学习的安全帽目标检测系统】12.【基于YOLOv8深度学习的120种犬类检测与识别系统】
13.【基于YOLOv8深度学习的路面坑洞检测系统】14.【基于YOLOv8深度学习的火焰烟雾检测系统】
15.【基于YOLOv8深度学习的钢材表面缺陷检测系统】16.【基于YOLOv8深度学习的舰船目标分类检测系统】
17.【基于YOLOv8深度学习的西红柿成熟度检测系统】18.【基于YOLOv8深度学习的血细胞检测与计数系统】
19.【基于YOLOv8深度学习的吸烟/抽烟行为检测系统】20.【基于YOLOv8深度学习的水稻害虫检测与识别系统】
21.【基于YOLOv8深度学习的高精度车辆行人检测与计数系统】22.【基于YOLOv8深度学习的路面标志线检测与识别系统】
23.【基于YOLOv8深度学习的智能小麦害虫检测识别系统】24.【基于YOLOv8深度学习的智能玉米害虫检测识别系统】
25.【基于YOLOv8深度学习的200种鸟类智能检测与识别系统】26.【基于YOLOv8深度学习的45种交通标志智能检测与识别系统】
27.【基于YOLOv8深度学习的人脸面部表情识别系统】28.【基于YOLOv8深度学习的苹果叶片病害智能诊断系统】
29.【基于YOLOv8深度学习的智能肺炎诊断系统】30.【基于YOLOv8深度学习的葡萄簇目标检测系统】
31.【基于YOLOv8深度学习的100种中草药智能识别系统】32.【基于YOLOv8深度学习的102种花卉智能识别系统】
33.【基于YOLOv8深度学习的100种蝴蝶智能识别系统】34.【基于YOLOv8深度学习的水稻叶片病害智能诊断系统】
35.【基于YOLOv8与ByteTrack的车辆行人多目标检测与追踪系统】36.【基于YOLOv8深度学习的智能草莓病害检测与分割系统】
37.【基于YOLOv8深度学习的复杂场景下船舶目标检测系统】38.【基于YOLOv8深度学习的农作物幼苗与杂草检测系统】
39.【基于YOLOv8深度学习的智能道路裂缝检测与分析系统】40.【基于YOLOv8深度学习的葡萄病害智能诊断与防治系统】
41.【基于YOLOv8深度学习的遥感地理空间物体检测系统】42.【基于YOLOv8深度学习的无人机视角地面物体检测系统】
43.【基于YOLOv8深度学习的木薯病害智能诊断与防治系统】44.【基于YOLOv8深度学习的野外火焰烟雾检测系统】
45.【基于YOLOv8深度学习的脑肿瘤智能检测系统】46.【基于YOLOv8深度学习的玉米叶片病害智能诊断与防治系统】
47.【基于YOLOv8深度学习的橙子病害智能诊断与防治系统】48.【基于深度学习的车辆检测追踪与流量计数系统】
49.【基于深度学习的行人检测追踪与双向流量计数系统】50.【基于深度学习的反光衣检测与预警系统】
51.【基于深度学习的危险区域人员闯入检测与报警系统】52.【基于深度学习的高密度人脸智能检测与统计系统】
53.【基于深度学习的CT扫描图像肾结石智能检测系统】54.【基于深度学习的水果智能检测系统】
55.【基于深度学习的水果质量好坏智能检测系统】56.【基于深度学习的蔬菜目标检测与识别系统】
57.【基于深度学习的非机动车驾驶员头盔检测系统】58.【太基于深度学习的阳能电池板检测与分析系统】
59.【基于深度学习的工业螺栓螺母检测】60.【基于深度学习的金属焊缝缺陷检测系统】
61.【基于深度学习的链条缺陷检测与识别系统】62.【基于深度学习的交通信号灯检测识别】
63.【基于深度学习的草莓成熟度检测与识别系统】64.【基于深度学习的水下海生物检测识别系统】
65.【基于深度学习的道路交通事故检测识别系统】66.【基于深度学习的安检X光危险品检测与识别系统】
67.【基于深度学习的农作物类别检测与识别系统】68.【基于深度学习的危险驾驶行为检测识别系统】
69.【基于深度学习的维修工具检测识别系统】70.【基于深度学习的维修工具检测识别系统】
71.【基于深度学习的建筑墙面损伤检测系统】72.【基于深度学习的煤矿传送带异物检测系统】
73.【基于深度学习的老鼠智能检测系统】74.【基于深度学习的水面垃圾智能检测识别系统】
75.【基于深度学习的遥感视角船只智能检测系统】76.【基于深度学习的胃肠道息肉智能检测分割与诊断系统】
77.【基于深度学习的心脏超声图像间隔壁检测分割与分析系统】78.【基于深度学习的心脏超声图像间隔壁检测分割与分析系统】
79.【基于深度学习的果园苹果检测与计数系统】80.【基于深度学习的半导体芯片缺陷检测系统】
81.【基于深度学习的糖尿病视网膜病变检测与诊断系统】82.【基于深度学习的运动鞋品牌检测与识别系统】
83.【基于深度学习的苹果叶片病害检测识别系统】84.【基于深度学习的医学X光骨折检测与语音提示系统】
85.【基于深度学习的遥感视角农田检测与分割系统】

二、机器学习实战专栏【链接】，已更新31期，欢迎关注，持续更新中~~
三、深度学习【Pytorch】专栏【链接】
四、【Stable Diffusion绘画系列】专栏【链接】
五、YOLOv8改进专栏【链接】，持续更新中~~
六、YOLO性能对比专栏【链接】，持续更新中~

《------正文------》

目录

引言

本文分享的是yolo系列的目标检测综述文章，供相关领域同学参考学习。从2015年YOLO提出单阶段目标检测，到2025年以注意力机制为核心的YOLOv12框架，显示单阶段目标检测结构的蓬勃发展和性能优势。【所有文章均已打包，末尾免费获取！】

一图看尽目标检测发展

在时间维度上，比较YOLO系列目标检测的发展，以及其在传统目标检测，基于深度学习方法的目标检测；从单阶段，多阶段等角度，概述了YOLO所处的位置。image

YOLO系列发展时间线

image
在这里插入图片描述

YOLO系列综述研究

image

YOLOv1-v10 结构简图

image

YOLOv11结构图

image
在这里插入图片描述

YOLOv10结构图

image

YOLOv9结构图

image

YOLOv8结构图

image

YOLOv7-v6-v5

image

YOLOv4 && YOLOv3

image

YOLOv2 && YOLOv1

image

YOLO系列信息汇总

YOLO系列论文代码信息汇总

YOLOv1

论文：“You Only Look Once: Unified, Real-Time Object Detection”
论文地址: https://www.cv-foundation.org/openaccess/content_cvpr_2016/papers/Redmon_You_Only_Look_CVPR_2016_paper.pdf

主要优化点： 将目标检测任务转化为单次前向传播问题，显著提升检测速度 能够以45 FPS的速度处理图像，有一个更快的版本可以达到155 FPS 限制：在小物体检测上的精度较差，且定位误差较高。

YOLOv2 YOLO9000

论文：“YOLO9000: Better, Faster, Stronger”

论文地址: https://arxiv.org/pdf/1612.08242

代码地址: https://pjreddie.com/darknet/yolo/
主要优化点： 能够检测9000种类别物体 多尺度训练增强模型鲁棒性 引入anchor boxes改进对小物体的检测能力

YOLOv3

论文： “YOLOv3: An Incremental Improvement”

论文地址： https://arxiv.org/pdf/1804.02767

代码地址: https://pjreddie.com/yolo/
主要优化点： 引入Darknet-53作为主干网络，结合残差网络提高检测精度 多尺度预测改善对小物体的检测 取消软分类器，使用独立的二元分类器提高性能

YOLOv4

论文：“YOLOv4: Optimal Speed and Accuracy of Object Detection”

论文地址: https://arxiv.org/pdf/2004.10934
代码地址: https://github.com/AlexeyAB/darknet
主要优化点： 提出Bag of Freebies和Bag of Specials优化策略，提高模型精度 CSPDarknet53更高效的主干网络，提升网络推理速度和精度 引入CIoU损失函数提高边界框回归性能

YOLOv5

无论文发表，开源地址https://github.com/ultralytics/yolov5

主要优化点： YOLOv5转向Pytorch框架，便于开发者使用和扩展 自适应的anchor box学习机制提高检测效率 提供多种尺寸的预训练模型满足不同场景需求

YOLOv6

论文： “YOLOv6: A Single-Stage Object Detection Framework for Industrial Applications”

论文地址：https://arxiv.org/pdf/2209.02976

代码地址：https://github.com/meituan/YOLOv6

主要优化点： 针对行业应用优化，尤其注重推理速度 引入EfficientRep带来更高效的网络架构 优化模型部署性能，适合工业环境中的大规模应用

YOLOv7

论文：YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors
论文地址 https://openaccess.thecvf.com/content/CVPR2023/papers/Wang_YOLOv7_Trainable_Bag-of-Freebies_Sets_New_State-of-the-Art_for_Real-Time_Object_Detectors_CVPR_2023_paper.pdf
代码地址： https://github.com/ WongKinYiu/yolov7.
主要优化点： 在COCO数据集上达到新的速度与精度平衡 跨尺度特征融合提高对不同尺度物体的检测能力 改进训练过程中的标签分配方式提高训练效率

YOLOv8

发布日期：2023年1月
作者：Ultralytics团队
无论文发表，开源地址：[https://github.com/ultralytics/ultralytics]

主要优化点： 提供可定制的模块化设计方便用户根据需求进行扩展 内置多种训练和超参数优化策略简化模型调优过程 集成检测、分割和跟踪功能

YOLOv9

发布日期：2024年2月
作者/贡献者：WongKinYiu等
论文：YOLOv9: Learning What You Want to Learn Using Programmable Gradient Information
论文地址 https://arxiv.org/pdf/2402.13616

代码地址：https://github.com/WongKinYiu/yolov9
主要优化点： 可编程梯度信息(PGI)+广义高效层聚合网络(GELAN)。 与YOLOv8相比，其出色的设计使深度模型的参数数量减少了49%，计算量减少了43%，但在MS COCO数据集上仍有0.6%的AP改进。

YOLO v10

发布日期：2024年5月
作者：清华大学
论文：YOLOv10: Real-Time End-to-End Object Detection
论文地址： https://arxiv.org/pdf/2405.14458
代码地址： https://github.com/THU-MIG/yolov10
主要优化点：
实时端到端的对象检测，主要在速度和性能方面的提升

YOLO v11

发布日期：2024年9月
作者：Ultralytics团队
无论文发表，开源地址：https://github.com/ultralytics/ultralytics
主要优化点： YOLOv11继承自YOLOv8，在YOLOv8基础上进行了改进，使同等精度下参数量降低20%，在速度和准确性方面具有无与伦比的性能。 其流线型设计使其适用于各种应用，并可轻松适应从边缘设备到云 API 等不同硬件平台。使其成为各种物体检测与跟踪、实例分割、图像分类和姿态估计任务的绝佳选择。

YOLO v12

YOLOv12: Attention-Centric Real-Time Object Detectors 代码地址: https://github.com/sunsmarterjie/yolov12 主要优化点: 首次把注意力机制引入单阶段目标检测框架并在速度和性能上取得新的突破。为单阶段目标检测领域开辟新的战场。

性能对比示例

参考文章： the Evolution of YOLO (You Only LookOnce) Models: A Comprehensive Benchmark Study of YOLO11 and Its Predecessors

在非洲野生动物数据集（Africa Wildlife Dataset）上的各项性能对比示例。

整体性能对比表格

在这里插入图片描述

mAP50与mAP50-95对比

在这里插入图片描述

Recall与Precision对比

在这里插入图片描述

推理时间

在这里插入图片描述

计算量对比

在这里插入图片描述

优缺点汇总

image

imageimage

实现框架

image

文章中的相关文章，已经打包整理，需要的小伙伴可自行获取。

在这里插入图片描述

好了，这篇文章就介绍到这里，喜欢的小伙伴感谢给点个赞和关注，更多精彩内容持续更新~~
关于本篇文章大家有任何建议或意见，欢迎在评论区留言交流！

YOLO综述：从YOLOV1到YOLOV8
qq_33287871的博客
04-08 2914
YOLO 已成为机器人、无人驾驶汽车和视频监控应用的中央实时目标检测系统。我们对 YOLO 的演变进行了全面分析，检查了从原始 YOLO 到 YOLOv8 的每次迭代中的创新和贡献。我们首先描述标准指标和后处理；然后，我们讨论了每个模型的网络架构和训练技巧的主要变化。最后，我们总结了 YOLO 发展的重要经验教训，并展望了其未来，强调了增强实时目标检测系统的潜在研究方向。
YOLO的全面综述：从YOLOv1到最新版本
AI浩
12-07 7088
YOLO已成为机器人、无人驾驶汽车和视频监控应用的核心实时目标检测系统。我们全面分析了YOLO的演变，研究了从原始YOLO到YOLOv8、YOLO-NAS和带有Transformer的YOLO的每次迭代的创新和贡献。我们首先描述了标准指标和后处理；然后，我们讨论了每个模型在网络架构和训练技巧方面的主要变化。最后，我们总结了YOLO开发的重要经验教训，并对其未来提出了看法，强调了增强实时目标检测系统的潜在研究方向。关键词YOLO·目标检测·深度学习·计算机视觉。
【计算机视觉】YOLO目标检测算法综述及Python PyTorch实现：从YOLOv1到YOLOv5的技术演进与应用实例
最新发布
04-05
内容概要：本文深入探讨了YOLO（You Only Look Once）目标检测算法的原理及其实现方法，强调了YOLO算法将目标检测视为回归问题的独特思路。文章详细介绍了YOLO从v1到v5各版本的发展历程及其特性改进，如引入anchor boxes、batch normalization、CSPNet等技术，以及网络架构中Backbone、Neck和Head三个主要组成部分的功能。同时，阐述了YOLO损失函数的构成，包括坐标损失、置信度损失和类别损失。最后，提供了一个基于PyTorch实现YOLOv3的示例代码，演示了如何加载预训练模型、检测图像并展示结果，尽管在代码执行过程中遇到了库未安装的问题，但仍给出了完整的代码框架供参考。 适合人群：对计算机视觉领域感兴趣，尤其是希望深入了解YOLO算法原理及应用的初学者和有一定编程基础的研发人员。 使用场景及目标：①理解YOLO算法的核心思想及其版本演进过程；②掌握YOLO网络架构的设计理念及各部分的作用；③学习如何使用Python和PyTorch实现YOLO模型进行目标检测，包括安装必要库、加载预训练模型、执行推理并解析结果。 其他说明：由于环境限制，文中提供的代码示例未能成功运行，但在实际操作时，确保按照提示安装所需的库后即可正常执行。此外，建议读者结合理论学习与实践操作，以更好地掌握YOLO算法的应用。
YOLO系列发展历程：从YOLOv1到YOLO11，目标检测技术的革新与突破
CooVally_AI的博客
12-05 5572
*YOLO（You Only Look Once）**系列模型无疑是目标检测领域的一座里程碑，自2016年首次提出以来，便在目标检测领域掀起了一场革命。从YOLOv1的开创性提出，到YOLO11的不断迭代升级，该系列模型持续突破自我，引领着目标检测技术的发展潮流。总结而言，YOLO系列模型在目标检测领域不断刷新纪录，从精度到效率均取得了显著成就。尽管每一代模型都有其局限性，但它们的创新推动了整个领域的发展。
YOLO~综述
whaosoft143ai的博客
12-22 1037
此文转载于大佬~~~YOLO已经成为机器人、无人驾驶汽车和视频监控应用中的中心实时目标检测系统。我们对YOLO的演变进行了全面分析，从原始的YOLO到YOLOv8、YOLO-NAS和带有Transformers的YOLO，检查了每个迭代中的创新和贡献。我们首先描述了标准指标和后处理方法；然后，我们讨论了每个模型的网络架构和训练技巧的主要变化。最后，我们总结了YOLO发展的基本经验教训，并对其未来提出了展望，突出了增强实时目标检测系统的潜在研究方向。1.引言实时目标检测已经成为许多应用中的关键组成部分，涵盖了
YOLO家族变迁史
m0_73731663的博客
06-10 2506
定义：YOLO（You Only Look Once）个算法的名字就很形象——你只看一次（You Only Look Once），意味着它通过一次检测过程就能处理整张图片，而不需要像以前的算法那样分步骤处理。是一种单阶段（one-stage）的目标检测算法，其核心思想是将目标检测任务视为一个回归问题，通过单个神经网络直接预测图像中的物体类别和边界框。起源。
YOLO综述
qq_41883755的博客
01-27 2575
YOLO目标检测算法原理及应用 版本 作者 时间 备注 V1.0.0 Zhe Chen 2021.1.27 YOLO系列学习笔记 文章目录前言什么是目标检测？目标检测中的核心问题？基础知识YOLOYOLOYOLOv1-开山之作统一检测网络结构训练方法预测缺点效果比对总结YOLOv2-Better，Faster，Stronger性能对比YOLOv2中的各种尝试 -- BetterBatch Normalization（批量归一化）-- improve 2% in mAPHigh Reso
YOLO系列：YOLOv1,YOLOv2,YOLOv3,YOLOv4,YOLOv5简介
古月哲亭
09-21 1万+
原文链接： https://zhuanlan.zhihu.com/p/136382095 YOLO系列：YOLOv1,YOLOv2,YOLOv3,YOLOv4,YOLOv5简介YOLO系列是基于深度学习的回归方法。RCNN， Fast-RCNN，Faster-RCNN是基于深度学习的分类方法。YOLO官网：https://github.com/pjreddie/darknet​github.comYOLO v.s Faster R-CNN1.统一网络:YOLO没有显示求取region proposal的过程
YOLO系列详解：YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5、YOLOv6、YOLOv7
热门推荐
qq_40716944的博客
03-22 17万+
一、前言 YOLO系列是one-stage且是基于深度学习的回归方法，而R-CNN、Fast-RCNN、Faster-RCNN等是two-stage且是基于深度学习的分类方法。 YOLO官网：https://github.com/pjreddie/darknet 1.1 YOLO vs Faster R-CNN 1、统一网络：YOLO没有显示求取region proposal的过程。Faster R-CNN中尽管RPN与fast rcnn共享卷积层，但是在模型训练过程中，需要反复训练RPN网络和fa
YOLO系列
qq_36717487的博客
05-02 183
YOLO系列： one-stage: 最核心的优势速度会非常快，适合做实时监测任务。缺点：效果通常情况下不会太好。 two-stage: 速度通常很慢，但是效果还是很不错的。
YOLO系列 ppt
11-16
详细介绍了YOLOv1 v2的内容
yolov5论文-YOLO算法最全综述：从YOLOv1到YOLOv5电子版pdf
06-04
YOLO系列是基于深度学习的回归方法，本文详细介绍了从YOLOv1至最新YOLOv5五种方法的主要思路、改进策略以及优缺点。 1.统一网络:YOLO没有显示求取region proposal的过程。FasterR-CNN中尽管RPN与fast rcnn共享卷积层...
YOLO系列进化论：从YOLOv1至YOLOv8的目标检测技术革新
qq_44103359的博客
06-05 906
YOLOv4在保持YOLO系列算法速度优势的同时，通过引入新的网络结构和训练技巧，进一步提高了检测精度。YOLOv8是YOLO系列的最新版本，它在继承前代优点的基础上，进一步提高了检测精度和速度。同时，YOLOv8在训练过程中采用了新的数据增强方法和损失函数，增强了模型的鲁棒性和泛化能力。从YOLOv1到YOLOv8，YOLO系列算法在保持高速检测的同时，不断追求更高的精度和更好的泛化能力。YOLOv1的主要贡献在于其简单高效的设计，但它的缺点包括对小目标的检测性能不佳和对密集目标的漏检。
YOLO框架最新综述从YOLOV1-YOLOV11（2024年10月23）
sexy19910923的博客
10-29 1万+
这篇文章《YOLO框架：目标检测中的演变、应用与基准的全面回顾》是一篇关于YOLO（You Only Look Once）框架的综合性回顾。
yolov5 yolov6 yolov7 yolov8 yolov9目标检测、目标分类 目标切割 性能对比
putaolove的博客
12-22 5782
在YOLOv1提出之前，R-CNN系列算法在目标检测领域中独占鳌头。R-CNN系列检测精度高，但是由于其网络结构是双阶段（two-stage）的特点，使得它的检测速度不能满足实时性，饱受诟病。为了打破这一僵局，涉及一种速度更快的目标检测器是大势所趋。2016年，Joseph Redmon、Santosh Divvala、Ross Girshick等人提出了一种单阶段（one-stage）的目标检测网络。它的检测速度非常快，每秒可以处理45帧图片，能够轻松地实时运行。
一文搞懂YOLO系列目标检测！万字长文（附YOLOv8实操教程）
qq_45591302的博客
06-26 3万+
本文介绍目标检测基础概念，算法发展历史，YOLOV8环境配置，数据集标注，模型评估指标，改进策略。
YOLO系列算法全家桶——YOLOv1-YOLOv9详细介绍 ！！
不要给自己设限，尝试更多可能（思所向 皆可往）
04-05 6万+
本文详细介绍了从YOLOv1-YOLOv9的网络结构，以及各个版本之间的迭代。YOLOv1-YOLOv8之间的对比ModelAnchorInputBackboneNeckYOLOv1锚框（训练是224*224，测试是448*448；GoogLeNet；Dropout防止过拟合；最后一层使用线性激活函数，其余层都使用ReLU激活函数无；一个网格只预测了2个框，并且都属于同一类；全连接层直接预测bbox的坐标值；YOLOv2锚框（通过k-means选择先验框。
Fisher 线性判别分析取数据集合 pendigits.csv 文件 [V1，V2，V3，V4，V5，V6，V7，V8， V9，V10，V11，V12，V13，V14，V15，V16 为 16 个输入变量，V17 为输出变 量（类标签）]，尝试模型的各种参数设定，并利用十折交叉验证估计模型的分 类准确率。
03-26
首先，我们使用 Python 中的 Pandas 库读取 pendigits.csv 文件，并将数据集拆分为输入和输出变量： ```python import pandas as pd # 读取数据集 data = pd.read_csv('pendigits.csv', header=None) # 拆分输入和输出变量 X = data.iloc[:, :-1].values y = data.iloc[:, -1].values ``` 接下来，我们使用 sklearn 中的 Fisher 线性判别分析算法，将数据集分为训练集和测试集，设置模型参数，训练模型并进行预测： ```python from sklearn.discriminant_analysis import LinearDiscriminantAnalysis as LDA from sklearn.model_selection import KFold from sklearn.metrics import accuracy_score # 进行十折交叉验证 kfold = KFold(n_splits=10, shuffle=True) # 初始化准确率列表 accs = [] for train_idx, test_idx in kfold.split(X, y): # 拆分训练集和测试集 X_train, y_train = X[train_idx], y[train_idx] X_test, y_test = X[test_idx], y[test_idx] # 初始化模型 lda = LDA(solver='eigen', shrinkage=None) # 训练模型 lda.fit(X_train, y_train) # 进行预测 y_pred = lda.predict(X_test) # 计算准确率 acc = accuracy_score(y_test, y_pred) # 将准确率添加到列表中 accs.append(acc) ``` 最后，我们计算平均准确率并输出结果： ```python # 计算平均准确率 mean_acc = sum(accs) / len(accs) print('Classification accuracy:', mean_acc) ``` 上述代码中，我们将 solver 设为 'eigen'，表示使用特征值分解方法，shrinkage 设为 None，表示不使用压缩估计。根据实际情况，我们还可以调整这些参数，以获得更好的模型性能。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

阿_旭

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值