YOLO系列论文综述（从YOLOv1到YOLOv11）【第2篇：YOLO系列论文、代码和主要优缺点汇总】

已于 2024-11-30 22:10:17 修改
阅读量2.2k 收藏 30
点赞数 10
分类专栏： 大模型 # 目标检测 文章标签： YOLO 深度学习 人工智能
于 2024-11-27 23:11:15 首次发布
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/sinat_16020825/article/details/144096199
版权

目录

YOLO系列博文：

  1. 【第1篇：概述物体检测算法发展史、YOLO应用领域、评价指标和NMS】
  2. 【第2篇：YOLO系列论文、代码和主要优缺点汇总】
  3. 【第3篇：YOLOv1——YOLO的开山之作】
  4. 【第4篇：YOLOv2——更好、更快、更强】
  5. 【第5篇：YOLOv3——多尺度预测】
  6. 【第6篇：YOLOv4——最优速度和精度】
  7. 【第7篇：YOLOv5——使用Pytorch框架、AutoAnchor、多尺度预训练模型】
  8. 【第8篇：YOLOv6——更高的并行度、引入量化和蒸馏以提高性能加速推理】
  9. 【第9篇：YOLOv7——跨尺度特征融合】
  10. 【第10篇：YOLOv8——集成检测、分割和跟踪能力】
  11. 【第11篇：YOLO变体——YOLO+Transformers、DAMO、PP、NAS】
  12. 【第12篇：YOLOv9——可编程梯度信息(PGI)+广义高效层聚合网络(GELAN)】
  13. 【第13篇：YOLOv10——实时端到端物体检测】
  14. 【第14篇：YOLOv11——在速度和准确性方面具有无与伦比的性能】
  15. 【第15篇（完结）：讨论和未来展望】

YOLOv1

  • 发表日期：2016年6月
  • 作者：Joseph Redmon, Santosh Divvala, Ross Girshick, Ali Farhadi
  • 论文：You Only Look Once: Unified, Real-Time Object Detection
  • 代码：https://pjreddie.com/darknet/yolo/
  • 主要优缺点：
    • YOLO的简单结构，加上其新颖的全图像单次回归，使其比现有的物体检测器快得多，允许实时性能。
    • 然而，虽然YOLO的表现比任何物体检测器都快，但与最先进的方法如快速R-CNN相比，定位误差更大。造成这种限制的主要原因有三个：
      • 在网格单元中最多只能检测到两个相同类别的物体，限制了预测附近物体的能力；
      • 在预测训练数据中未见的长宽比物体时很吃力；
      • 由于下采样层，只能从粗略的物体特征中学习。

YOLOv2 (YOLO9000)

YOLOv3

  • 发表日期：2018年4月
  • 作者：Joseph Redmon, Ali Farhadi
  • 论文：YOLOv3: An Incremental Improvement
  • 代码：https://pjreddie.com/darknet/yolo/
  • 主要优缺点：
    • 使用Darknet-53作为主干网络，结合残差网络提高检测精度；
    • 引入多尺度预测来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模型性能。

YOLOv4

YOLOv5

  • 发布日期：2020年6月
  • 作者：Glenn Jocher
  • 论文：无
  • 代码：https://github.com/ultralytics/yolov5
  • 主要优缺点：
    • 使用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

  • 发表日期：2022年6月
  • 作者：Chuyi Li等人，美团技术团队
  • 论文： YOLOv6: A Single-Stage Object Detection Framework for Industrial Applications
  • 代码：https://github.com/meituan/YOLOv6
  • 主要优缺点：
    • 使用基于RepVGG的新骨干网络（EfficientRep），比之前的YOLO骨干网络使用了更高的并行度；
    • 标签分配策略采用TOOD中提出的任务对齐学习方法进行标签分配；
    • 使用了变焦损失（VariFocal loss）作为分类损失，以及SIoU/GIoU作为回归损失；
    • 为回归和分类任务引入了自蒸馏策略；
    • 通过使用RepOptimizer和通道级蒸馏的检测量化方案来实现更快的检测器；
    • 这些新特性共同作用，旨在提高模型性能、加速推理过程，并在保持准确性的同时提升效率。

YOLOv7

YOLOv8

  • 发布日期：2023年1月
  • 作者：Ultralytics团队
  • 论文：无
  • 代码：https://github.com/ultralytics/ultralytics
  • 主要优缺点：
    • 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

YOLOv10

YOLOv11

  • 发布日期：2024年9月
  • 作者：Ultralytics团队
  • 论文：无
  • 代码：https://github.com/ultralytics/ultralytics
  • 主要优缺点：
    • YOLOv11是在YOLOv8基础上进行了改进，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。
【YOLOv10】2024年5月最新的YOLO系列模型Yolov10(论文阅读笔记) + 完整创新点说明 + 总结
静谧、淡雅
05-29 3111
2024年5月最新的YOLO系列模型Yolov10的论文阅读笔记
【AI面试】目标检测中one-stage、two-stage算法的内容和优缺点对比汇总
钱多多先森
04-30 1万+
目标检测算法one stage和two stage的对比
【目标检测】【YOLOv12】YOLOv12：Attention-Centric Real-Time Object Detectors
weixin_44184852的博客
02-19 2881
长期以来，增强YOLO框架的网络架构一直至关重要，但主要集中在基于CNN的改进上，尽管注意力机制在建模能力上已被证明具有优越性。这是因为基于注意力的模型无法与基于CNN的模型在速度上相匹敌。本文提出了一种以注意力为核心的YOLO框架，即YOLOv12，它在保持与之前基于CNN模型相同速度的同时，充分利用了注意力机制的性能优势。YOLOv12在精度上超越了所有流行的实时目标检测器，同时保持了具有竞争力的速度。
YOLOv12论文模型解析 | 手把手带你零基础看懂yolov12的网络结构（附手绘超详细网络结构图）
最新发布
Snu77的博客
03-04 8407
本文给大家带来的是YOLO系列家族的最新成员——YOLOv12的介绍，YOLOv12的论文题目是《YOLOv12: Attention-Centric Real-Time Object Detectors》其题目翻译过来就是YOLOv12：基于注意力机制的实时物体检测器，这是YOLO系列唯一一款以注意立机制为核心的检测器的检测器（YOLO系列第一次引入注意力机制是YOLOv10引入的PSA机制，YOLOv11在基础上进行了改进引入了C2PSA机制，在此之前没有引用过注意力机制），YOLOv12的核心注意力机
YOLO系列论文综述（从YOLOv1到YOLOv11）【第1篇：概述物体检测算法发展史、YOLO应用领域、评价指标和NMS】
https://github.com/Donvink，专注于计算机视觉、目标检测、目标跟踪等方向
11-26 5095
本系列博文总结了YOLO从v1到v11的模型架构、优化、优势和局限性。
【论文】YOLO系列
weixin_42486139的博客
06-11 3537
在yolo之前，目标检测的巅峰之作是faster-rcnn。
YOLO 论文笔记
Well~
07-17 1421
YOLO全称You Only Look Once: Unified, Real-Time Object Detection，CVPR 2016的一片论文，paper的项目主页：http://pjreddie.com/darknet/yolo/。 1、解决什么问题 （1）将检测问题变为一个 regression problem，解决了classification-based和R-CNN的...
YOLO Air：YOLO科研改进论文推荐 | 改进组合上千种搭配，包括Backbone,Neck,Head,注意力机制,适用于YOLOv5、YOLOv7、YOLOX等算法
热门推荐
包括YOLOv5、YOLOv7、YOLOv8等模型改进
07-30 3万+
目标检测科研改进推荐 | 包括Backbone、Neck、Head、注意力机制、IoU损失函数、NMS、Loss计算方式、自注意力机制、数据增强部分、激活函数
基于YOLO目标检测算法的交通标志检测与识别系统综述
gzq0723的博客
04-27 3370
点击蓝字关注我们关注并星标从此不迷路计算机视觉研究院公众号ID｜计算机视觉研究院学习群｜扫码在主页获取加入方式论文地址：https://mdpi.longhoe.net/计算机视觉研究院专栏Column of Computer Vision InstituteYOLO（You Look Only Once）是一种基于深度神经网络的算法，具有实时对象检测功能。这种最先进的技术被广泛使用，主要是因为它...
【YOLO多光谱目标检测综述】Surveying You Only Look Once (YOLO) Multispectral Object Detection Advancements, Appl
weixin_44184852的博客
09-26 3418
摘要：多光谱成像和深度学习已经成为支持从自动驾驶汽车到农业、基础设施监测和环境评估等各种用例的强大工具。这些技术的结合导致了非可见光光谱中目标检测、分类和分割任务的显著进步。本文共考虑了400篇论文，详细回顾了200篇，以提供多光谱成像技术、深度学习模型及其应用的权威元综述，考虑了YOLO方法的演变和适应。地面收集是最普遍的方法，占审查论文的63%，尽管用于YOLO多光谱应用的无人驾驶航空系统（UAS）自2020年以来翻了一番。最普遍的传感器融合是红-绿-蓝（RGB）与长波红外（LWIR），占文献的39%
目标检测YOLO实战应用案例100讲-SAR图像多尺度舰船目标检测
qq_36130719的博客
09-04 1937
因此，针对多尺度舰船目标的检测更具有实际意义。在国防安全层面，利用SAR全天时、全天候的工作优势，能够及时发现可疑军舰， 并追踪其动向，时刻保持我军海事侦察能力，调整我军战略部署，维护国家海洋权 益，突破他国对我国的围堵和岛链封锁，保卫我国领海安全。传统舰船目标检测算法往往依赖于背景特性和舰船目标单一特征信息，并未 考虑到因舰船目标的多尺度特性而呈现出不同的散射特性，对于不同分辨率和复 杂场景缺乏稳定的舰船目标检测性能，容易出现大量的干扰误判，造成虚警和多尺 度目标漏检，难以适应复杂多变的检测场景。
yolo系列论文.zip
09-08
yolov1，yolov2（yolo9000），yolov3，yolov4
YOLO系列论文翻译
07-25
此压缩包包含YOLOv1、YOLOv2、YOLOv3的论文翻译（已经过矫正）。
OpenCV系列教程七：虚拟计算器项目、目标追踪、SSD目标检测
qq_56591814的博客
10-22 1311
目标视觉跟踪(Visual Object Tracking)是计算机视觉领域的一个重要问题，目前广泛应用在体育赛事转播、安防监控和无人机、无人车、机器人等领域。OTB50是一个包含50个视频序列的数据集，都经过人工标注，首次于2013年提出。这些视频序列涵盖了各种挑战，如光照变化、尺度变化、遮挡等。2015年提出了OTB100，包含了100个视频序列，其中涵盖了OTB50的所有序列。相关的数据集和测试代码库可以在Visual Tracker Benchmark的官方网站下载。
【YOLO系列】 YOLOv3论文思想详解
江湖小Jay的博客
12-15 1179
YOLOv3是一种目标检测算法，它采用了Darknet-53作为基础网络，借鉴了ResNet中的残差块的设计，在某些层之间添加了“跳层连接”。它还采用了逻辑回归取代softmax进行分类，使用了多尺度特征图进行检测，以及在预测阶段采用了非最大值抑制（NMS）算法进行筛选。相比其他目标检测算法，YOLOv3在速度和精度之间取得了很好的平衡，尤其在小物体检测方面表现突出。然而，YOLOv3也存在一些缺点，如对于密集的或者小尺度的目标检测效果不好，以及对于遮挡的目标或者背景复杂的场景，检测效果不够准确。
【论文精读】YOLO全系列
weixin_44359628的博客
06-20 553
YOLOv2论文精读，用于记录和纠错
【论文阅读】【yolo系列】YOLOV7的论文阅读
magic_ll的博客
09-04 3482
YOLOv7在速度和精度方面都超过了所有已知的目标检测器，在GPU V100上的速度为5 FPS到160 FPS的范围内，并且在所有已知的实时对象检测器中具有最高的，速度为30 FPS或更高。目标检测器（56 FPS V100，55.9%AP）在速度和精度上优于：–>基于transformer的检测器SWINL Cascade-Mask R-CNN（9.2 FPS A100，53.9%AP），分别为509%和2%，
【论文阅读】yolo系列（二）yolov2
hgj1h的博客
11-21 231
时间来到yolo发布的几年后，我们可以看到yolo实际上是一个比较稚嫩的模型，每张图片划分了7X7的cell来预测98个bbox显然对于当今的计算机视觉目标识别是远远不够的。 而时间过去，深度学习领域出现了许多的tricks来提升网络性能，yolov2就是在这样的背景下诞生的。 yolov2是一篇比较偏向于工程类的文章，从他的身上我们可以看到许多其他论文的身影， 当然也可以学习到不少新的tricks。 我主要讲一下我觉得比较新颖的可以借鉴学习的一些方法： 1. anchor boxes代替全连接层 YOLO
YOLOX: Exceeding YOLO Series in 2021 论文阅读笔记
浅浅记录一下吧。
11-10 4948
YOLOX: Exceeding YOLO Series in 2021 这是一篇由旷视科技提出的2021超越YOLO系列的论文:YOLOX 出处：CVPR 2021 摘要 文章介绍了 YOLO 系列的一些经验改进，形成了一个新的高性能探测器——YOLOX： anchor-free（无anchor） decoupled head（解耦头） label assignment strategy SimOTA（标签分配策略，基于作者的另一篇论文：Zheng Ge, Songtao Liu, Zeming Li
YOLO11那天发布
02-22
<think>嗯，用户问的是YOLO11那天发布的情况。首先我需要确认YOLO11是否真的存在，因为根据我之前的知识，YOLO系列的最新版本是YOLOv8，由Ultralytics维护。可能用户提到的YOLO11是口误或者误解，比如可能想说的是YOLOv10或者其他版本？或者是不是某个非官方的变种？ 接下来，我需要检查是否有最新的信息。由于我的知识截止到2023年10月，而现在是2024年5月，可能在这期间有新的版本发布。但根据现有的信息，YOLO系列的版本号并没有达到v11。可能用户混淆了版本号，比如YOLOv5、v7、v8，或者最近由其他团队发布的版本，比如YOLOv9或v10？ 另外，用户可能是指某个特定团队或研究者的改进版本，但通常YOLO的主线版本由Joseph Redmon和后来的Ultralytics团队维护。需要确认是否有YOLOv11的官方发布消息。 如果确认没有YOLOv11，那么应该向用户说明情况，并解释可能的误解，同时提供最新的YOLO版本的信息，比如YOLOv8或可能的其他分支版本。此外，可能用户对YOLO的生态不太熟悉，需要简要介绍YOLO的发展历程，帮助用户理解版本号的演变。 同时，用户的问题中可能存在拼写错误，比如“YOLO11”是否应为“YOLOv10”或者其他？或者是不是某个特定日期的发布活动，比如在11号发布的某个YOLO版本？需要进一步确认，但根据问题描述，用户可能指的是一个名为YOLO11的版本。 如果确实没有YOLOv11的官方信息，应该建议用户核实信息来源，并提醒他们注意区分官方版本和社区改进的版本。此外，可以提及YOLO系列的一般特点，比如实时目标检测、速度和准确性的平衡，以及常见应用场景，帮助用户更全面地了解。 最后，可能需要建议用户关注Ultralytics的官方渠道或相关学术会议，以获取最新的发布信息。同时，保持回答的友好和帮助性，确保用户即使有误解也能获得有用的信息。</think>截至我的知识更新日期（2024年7月），**目前并没有官方发布的“YOLO v11”版本**。YOLO（You Only Look Once）系列的开发主要由不同团队推进，常见版本如YOLOv5、YOLOv8由Ultralytics维护，而YOLOv9、YOLOv10则来自其他研究团队。可能你提到的“YOLO11”是误解或非官方命名。以下是近期动态供参考： --- ### 📌 **可能相关的信息：** 1. **YOLOv10** - 2024年5月由清华大学团队发布，主要优化了速度和精度，提出“一致性匹配”等新技术。 - 特点：无NMS后处理、模型轻量化、适合实时检测（如摄像头、无人机）。 2. **YOLOv9** - 2024年2月发布，引入“可编程梯度信息”（PGI），提升小目标检测能力。 3. **YOLOv8（Ultralytics）** - 支持目标检测、分割、姿态估计等多任务，易用性强，社区支持广泛。 --- ### ❓ **为何会有“YOLO11”的说法？** - 可能是对版本号的混淆（如将“YOLOv8”误称为v11）。 - 某些自媒体或社区项目可能使用了非官方命名，需谨慎甄别。 --- ### 🔍 **建议：** 1. 访问 **Ultralytics官方GitHub** 或 **arXiv** 获取最新论文。 2. 关注目标检测领域的顶会（如CVPR、ICCV），新模型常在此发布。 如需进一步了解某个版本的具体信息，请提供更多线索，我会尽力补充！ 🚀
评论
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
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