2025年2月20日 · YOLO12 demonstrates significant accuracy improvements across all model scales compared to prior YOLO models like YOLOv10 and YOLOv11, with some trade-offs in speed compared to the fastest prior models. For example, YOLO12n achieves a +2.1% mAP improvement over YOLOv10n and +1.2% over YOLOv11n on the COCO val2017 dataset.

2025年2月24日 · YOLOv12 surpasses all popular real-time object detectors in accuracy with competitive speed. For example, YOLOv12-N achieves 40.6% mAP with an inference latency of 1.64 ms on a T4 GPU, outperforming advanced YOLOv10-N / YOLOv11-N by 2.1%/1.2% mAP with a comparable speed. This advantage extends to other model scales.

2025年3月2日 · YOLO已成为机器人、无人驾驶汽车和视频监控应用的核心实时目标检测系统。我们全面分析了YOLO的演变，研究了从原始YOLO到YOLOv8、YOLO-NAS和带有Transformer的YOLO的每次迭代的创新和贡献。我们首先描述了标准指标和后处理；然后，我们讨论了每个模型 …

YOLO是一种单阶段对象检测框架，相对于两阶段检测器（如 R-CNN 和 Fast R-CNN 等）分区域提议和目标分类两个单独步骤，速度缓慢且占用大量资源，单阶段检测器同时执行这两个任务，简化了检测过程。 以下介绍单阶段目标检测的基本概念和几个典型的检测框架。 单阶段目标检测惯用的基本概念： 统一架构 ：单阶段检测器采用统一的神经网络架构，同时预测边界框和类别概率，无需单独的区域提议阶段。 锚框（Anchor） ：为适应不同的目标尺度和长宽比，单阶段检 …

3 天之前 · YOLO (You Only Look Once) 是一种高效的目标检测算法，自其初代发布以来，经过多次迭代，逐步提升了检测速度和精度。本文将详细介绍 YOLO 从 v1 到 v11 的各个版本，涵盖每个版本的发布日期、作者、项目地址及主要功能特性。

2025年3月4日 · 本文旨在解决这些挑战，并进一步构建一个以注意力为核心的YOLO框架——YOLOv12。 我们提出了三个关键的改进。 首先，我们提出了一种简单而高效的区域注意力模块（A2），该模块通过非常简单的方式保持较大的感受野，同时降低了注意力计算的复杂度，从而提高了速度。 其次，我们引入了残差高效层聚合网络（R-ELAN），以解决注意力引入的优化挑战（主要是大规模模型）。 R-ELAN在原始ELAN的基础上引入了两个改进：（i）基于缩放技术 …

YOLO（You Only Look Once）是一组实时物体检测机器学习算法。 物体检测是一种计算机视觉任务，它使用 神经网络 来定位和分类图像中的物体。 这项任务有广泛的应用，从 医学成像 到自动驾驶汽车。

YOLO （You Only Look Once）的提出正是为了解决这一问题：通过将检测过程简化为一次网络前向传播，在特征图中直接预测各网格单元内的目标边界框及其类别，减少了重复计算与复杂的候选区域生成过程，从而实现了显著的速度提升。 YOLO 的主要思想可以概括为： 通过对输出的边界框进行非极大值抑制（NMS）等后处理操作，得到最终的检测结果。 这一方法大大简化了检测流程，使得 网络可以端到端地学习从输入图像到检测结果的映射，同时也利用了全局信息来进 …

2024年10月31日 · This study presents a comprehensive benchmark analysis of various YOLO (You Only Look Once) algorithms. It represents the first comprehensive experimental evaluation of YOLOv3 to the latest...

2024年12月24日 · 本文将对 YOLO (ultralytics) 的整体架构进行深入解析，包括核心的 Model 与 Predictor 分离设计 、 动态任务配置机制 、回调函数 (Callbacks)的应用方式以及针对不同任务类型如何灵活扩展等要点。 通过阅读本解析，读者能够清晰了解 YOLO (ultralytics) 代码结构背后的设计理念，并对模型加载、推理流程以及视频/图片处理方式获得更全面的认识。 以下是 YOLO (ultralytics) 框架的特点： Model 与 Predictor 分离： Model 负责整体模型的管理，包括权重加 …