YOLOv10改进 | Neck篇 | YOLOv10引入Gold-YOLO

1. Gold-YOLO介绍

1.1 摘要： 在过去的几年中，YOLO 系列模型已成为实时目标检测领域的领先方法。 许多研究通过修改架构、增加数据和设计新的损失，将基线提升到更高的水平。 然而，我们发现以前的模型仍然存在信息融合问题，尽管特征金字塔网络（FPN）和路径聚合网络（PANet）已经缓解了这个问题。 因此，本研究提供了一种先进的Gatherand-Distribute机制（GD）机制，通过卷积和自注意力操作来实现。 这种新设计的模型被命名为Gold-YOLO，它增强了多尺度特征融合能力，并在所有模型尺度上实现了延迟和准确性之间的理想平衡。 此外，我们首次在 YOLO 系列中实现了 MAE 式的预训练，使 YOLO 系列模型可以从无监督预训练中受益。 Gold-YOLO-N 在 COCO val2017 数据集上获得了出色的 39.9% AP，在 T4 GPU 上获得了 1030 FPS，比之前具有类似 FPS 的 SOTA 模型 YOLOv6-3.0-N 提高了 2.4%。

官方论文地址：https://arxiv.org/pdf/2309.11331

官方代码地址：