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】

---

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)

• 发表日期：2017年12月
• 作者：Joseph Redmon, Ali Farhadi
• 论文：YOLO9000: Better, Faster, Stronger
• 代码：https://pjreddie.com/darknet/yolo/
• 主要优缺点：
  • 能够检测多达9000种类别的物体；
  • 多尺度训练增加了模型的鲁棒性；
  • 引入anchor boxes改进对小物体的检测能力。

---

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

• 发表日期：2020年4月
• 作者：Alexey Bochkovskiy, Chien-Yao Wang, Hong-Yuan Mark Liao
• 论文：YOLOv4: Optimal Speed and Accuracy of Object Detection
• 代码：https://github.com/AlexeyAB/darknet
• 主要优缺点：
  • 提出Bag of Freebies和Bag of Specials优化策略，提高模型精度；
  • 使用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

• 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

• 发表日期：2022年7月
• 作者：Wong Kin-Yiu, Alexey Bochkovskiy, Chien-Yao Wang
• 论文：YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors
• 代码：https://github.com/WongKinYiu/yolov7
• 主要优缺点：
  • 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
• 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

• 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
• 代码：https://github.com/WongKinYiu/yolov9
• 主要优缺点：
  • 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。

---

YOLOv10

• 发表日期：2024年5月
• 作者：Ao Wang, HuiChen, LihaoLiu, KaiChen, Zijia Lin, Jungong Han, Guiguang Ding
• 论文：YOLOv10: Real-Time End-to-End Object Detection
• 代码：https://arxiv.org/pdf/2405.14458
• 主要优缺点：
  • 实时端到端的物体检测，主要在速度和性能方面的提升。

---

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。