【无标题】

原文链接：https://blog.csdn.net/qq_42589613/article/details/143998719

YOLOv11（2024.10）：最新的YOLO版本YOLOv11引入了更高效的架构，包括C3K2块、SPPF（空间金字塔快速池化）后面添加C2PSA，检测头内部替换了两个DWConv，模型的宽度和深度进行了大幅度的调整。YOLOv11旨在增强小物体检测并提高准确性，同时保持YOLO以实时推理速度而闻名。
YOLOv10（2024.03）
YOLOv9（2024.02）
YOLOv8（2023.01）：YOLOv8引入了CSPDarkNet骨干网和路径聚合等架构更改，与以前的版本相比，提高了速度和准确性。
YOLOv6、YOLOv7（2022）：改进了模型缩放和准确性，引入了更高效的模型版本（如YOLOv7 Tiny），在边缘设备上表现出色。
YOLOv5（2020.06）：虽然由于缺乏正式的研究论文而引起争议，但YOLOv5由于在PyTorch中实现而被广泛采用，并且针对实际部署进行了优化。
YOLOv4（2020.04）：专注于数据增强的改进，包括马赛克增强和自对抗训练，同时还优化了骨干网络以实现更快的推理。
YOLOv3（2018.03）：使用特征金字塔进行多尺度预测，改进了对不同大小和尺度的物体的检测。
YOLOv2（2016.11）：引入了批量归一化、锚框和更高分辨率的输入，从而实现更准确的预测和更好的本地化。
YOLOv1（2015.06）：最初的YOLO模型是为速度而设计的，实现了实时性能，但由于其粗网格系统，在小物体检测方面遇到了困难。