深度学习论文: YOLOv5, YOLOv8 and YOLOv10: The Go-To Detectors for Real-time Vision

深度学习论文: YOLOv5, YOLOv8 and YOLOv10: The Go-To Detectors for Real-time Vision
YOLOv5, YOLOv8 and YOLOv10: The Go-To Detectors for Real-time Vision
PDF:https://arxiv.org/pdf/2407.02988v1
PyTorch: https://github.com/shanglianlm0525/PyTorch-Networks

1 概述

本文全面回顾了 YOLO（You Only Look Once）目标检测算法的演进，重点关注了 YOLOv5、YOLOv8 和 YOLOv10。我们分析了这些版本在架构进步、性能提升以及边缘部署适用性方面的情况。YOLOv5 引入了 CSPDarknet 主干和马赛克增强等重大创新，平衡了速度和准确性。YOLOv8 在此基础上通过增强特征提取和无锚点检测，提高了通用性和性能。YOLOv10 通过无NMS训练、空间-通道解耦下采样和大核心卷积等特性，实现了跨越式进步，达到了最先进的性能，同时减少了计算开销。

2 YOLO v5

在Glenn Jocher紧随YOLOv4发布之后，于2020年引入了YOLOv5，这一新版本的目标检测模型在业界引起了广泛关注，它以其前所未有的易用性、卓越的稳健性能和极高的灵活性，成为了目标检测领域的一项重要突破。YOLOv5的成功，很大程度上归功于其引入的一系列关键创新，这些创新不仅提升了模型性能ÿ