YOLO总结

最新推荐文章于 2025-06-24 10:28:31 发布
原创 最新推荐文章于 2025-06-24 10:28:31 发布 · 886 阅读 · 7 ·
CC 4.0 BY-SA版权
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。
文章标签：

#深度学习 #计算机视觉 #python

一、目标检测发展历程

下方是来自github整理的一张目标检测的数据集图和关于时间线的发展史图。
常用目标检测数据集

具有重要影响的模型用红色标出，可以根据需要进行学习。
目标检测发展史1
网上流传的另一种分类按照一阶段目标检测和两阶段目标检测作划分也可以对不同的方法有一个大致的认识：
在这里插入图片描述

二、各YOLO版本对比

项目 YOLOv1 YOLOv2 YOLOv3 YOLOv4
创新点 使用单个神经网络，将目标检测网络看作回归问题 1.引入Anchor boxes，K-means聚类和直接位置预测改善定位问题。
2.改进了网络结构，根据VGG16改进提出了Darknet-19作为分类模型的基础，减少了训练参数，提升了速度。
3.提出
最低0.47元/天 解锁文章
【全面认知YOLO系列】第一部分：YOLO系列模型发展史
今晚打老虎的专栏
04-07 1万+
YOLO V1（You Only Look Once version 1）是YOLO系列模型的第一个版本，由Joseph Redmon等人于2015年提出。相比于传统的目标检测方法，YOLO V1采用了全新的设计思路和网络结构，实现了端到端的目标检测，具有较高的检测速度和简单的设计。网络结构：YOLO V1模型采用卷积神经网络（CNN）作为基础网络结构，在输入图像上进行卷积操作，提取图像特征。单次预测。
YOLO系列最新综述从YOLOv1到YOLOv8【2023】
JH_joker的博客
10-03 7347
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。我们对YOLO的发展进行了全面的分析，检查了从最初的YOLO到YOLOv8、YOLO-NAS和YOLO with Transformers的每次迭代中的创新和贡献。我们首先描述标准指标和后处理;然后，我们讨论了网络架构的主要变化和每个模型的训练技巧。最后，我们总结了YOLO发展的重要经验教训，并对其未来发展进行了展望，强调了增强实时目标检测系统的潜在研究方向。
YOLO系列总结
ahxieqi的博客
12-04 707
2018 December 04 yolo系列总结 YOLO系列总结 相比 RCNN系列，YOLO 系列的主要缺点： 识别物体位置精准性差； 召回率低； 主要原因是每个网格预测固定数量的物体使候选框数量减少； 网络结构 Backbone YOLO v1 改进 GoogLeNet，用 1x1 和 3x3 卷积核代替 inception modules； Leaky ReL：f(x)=ma...
02 YOLO系列总结
一千零一夜的博客
10-07 863
参考： https://arxiv.org/abs/1506.02640 https://www.jianshu.com/p/13ec2aa50c12 https://www.imooc.com/article/36391 https://www.jianshu.com/p/f87be68977cb https://www.cnblogs.com/xiongzihua/p/9315183...
【杂记】YOLOv1至YOLOv8各版本发布时间及作者
卷子的博客
01-28 1万+
YOLOv6，2022.6.23，美团。YOLOX，2021.7.20，旷世。
Yolo目标检测系列时间汇总
PercentageC的博客
07-01 1889
时间标记
yolo算法总结
weixin_45083710的博客
08-21 1034
真实框是图像的人工标注bounding box 预测框是模型预测的 锚框是自己设想出来的候选区域，有了这个候选区域就不需要使用滑动窗口对整个图像每个部分挨个检测了，可以在FP的点基础上只检测某些候选区域，对别的区域可以忽视，加快检测速度。yolov3对训练数据使用了k-means聚类的算法来获得anchor boxes大小 在这个候选区域上使用模型进行预测得到预测框，并训练向真实框bounding box靠拢。 具体计算过程： 第一步：首先我们要知道我们需要聚类的是bounding box，所以我们无需考虑
YOLO 大总结 v1 到 v10
随缘写东西，随缘分享
06-06 4332
本文是一个最近看 YOLO 的随笔，只是想简单地比较各个版本的 YOLO 有什么不同，并且没有认真研究各个版本对loss的改进（后续有时间会加上）。
TX2安装Realsense -L515相机并在ros下 运行yolo 总结（2）
zhuyonggan的博客
08-11 1692
7 安装darknet——ros版本 接上回书说到，一把鼻涕一把泪终于安装好了新版本的realsense2和ros等等模块，终于来到了山顶，开始盖房子了。 这里给出两个链接，是两个版本的darknet——ros 1 https://github.com/leggedrobotics/darknet_rosyolo2-3多版本 2 https://github.com/tom13133/darknet_ros 这个就比较牛x了，包含了最新的yolov4版本，二者功能大致相似可以任均选用 安装步骤 首先创建
精选资源
yolo11学习教程重点知识点总结 yolo模型架构解析 训练优化介绍
10-02
重点：介绍YOLO（You Only Look Once）系列的发展历程，从YOLOv1到YOLOv11的主要改进点。 内容：简述YOLOv11的实时目标检测能力、单阶段检测框架的特点，以及与其它目标检测算法（如Faster R-CNN、SSD）的对比。...
【YOLOv8/YOLOv7/YOLOv5/YOLOv4/Faster-rcnn系列算法改进NO.65】CVPR 2023 | 清华团队即插即用型网络架构—Slide-Transformer
m0_70388905的博客
04-14 2192
CVPR 2023 | 清华团队即插即用型网络架构—Slide-Transformer
【深度学习】YOLO检测器家族所有版本（2024最新汇总、详细介绍）
weixin_44606353的博客
03-28 1万+
YOLO检测器的发展历程展示了计算机视觉领域在实时对象检测方面的快速进步。从YOLOv1到YOLOv5，我们看到了速度和准确性的不断提升，以及对不同应用场景的适应性。随着技术的不断发展，我们期待YOLO检测器在未来能够带来更多的创新和突破。
YOLO系列概述
m0_61141741的博客
11-19 572
YOLO系列主要版本改进概述
AI目标检测之YOLO发家史
futuregislab的博客
02-07 3166
目标检测广泛应用于城市安防、自动驾驶、遥感解译等领域，基于深度学习的目标检测方法经过近十年的发展已经相当成熟。近年来，单阶段目标检测YOLO系列架构在众多方法中脱颖而出，有成为主流的趋势，本文对AI目标检测总体发展脉络进行简要梳理，见证YOLO的发家史。
【yolov8系列】yolov8的目标检测、实例分割、关节点估计的原理解析
热门推荐
magic_ll的博客
10-17 2万+
对前两者进行解析可得到，有效的gridceil预测出了目标的类别 和 目标的box，此时可以很容易获取该gridceil中的目标的mask_coef，维度为32，刚好与Proto输出的channel维度32相一致。不同mask为网络学习到不同的掩码信息，值得注意的是单张mask并不意味着mask中只有一个目标的mask。2 仅保留该gridceil检测出的box内的mask，然后再对mask框内的mask的每个像素进行阈值过滤（工程中阈值设为0.5），即得到该目标的最终的mask。
YOLO 系列发展时间线梳理：各版本发布节奏与核心升级全览
最新发布
guoguozgw的博客
06-24 3489
YOLO系列目标检测模型的演进历程（2016-2023）摘要：从2016年YOLOv1首次提出统一建模的实时检测框架开始，YOLO系列经历了多次重大改进。主要版本包括：v2引入Anchor Boxes和多尺度训练（2017），v3采用多尺度预测和Darknet-53（2018），v4首次提出CIoU和DIoU-NMS（2020）。后续版本如v5支持工业部署（2020），v6采用RepVGG主干（2022），v7实现模型集成（2022），v8则引入TAL标签分配和多任务支持（2023）。各版本持续优化检测精度
[Intensive Reading]目标检测(object detection)系列（五）YOLO：目标检测的另一种打开方式
zhangxu
08-09 3424
从时间轴上看，YOLO（YOLO v1）的提出在R-CNN，SPP-Net，Fast R-CNN和Faster R-CNN之后，论文题目是《You Only Look Once: Unified, Real-Time Object Detection》，从某种意义上说，YOLO的提出，从另一各方面定义了基于CNN的目标检测任务的基本方法。 --------------------- 版权声明：本文为优快云博主「chaibubble」的原创文章，遵循CC 4.0 by-sa版权协议，转载请附上原文出处链接
从V1到V4,让你读懂YOLO原理——深度AI科普团队
小白不白
08-02 1万+
YOLO系列是目前主流的目标检测算法，其 检测目标位置和对目标物体进行分类这两步同时进行，极大加快了其检测速度，这里我介绍了yolov1到yolov4的大体知识概述，让你初步了解其原理。代码及代码解读会在之后的博客中给出，
One-stage目标检测里程碑算法之SSD、YOLO系列、RetinaNet等
迷路的咸鱼的博客
06-14 4556
  相较于two-stage detectors ，one-stage detectors不需要提取region proposal的阶段，直接预测物体的类别概率和位置坐标值，经过单次检测即可直接得到最终的检测结果，因此有着更快的检测速度。本篇博客将逐步按照YOLO→SSD→RetinaNet→YOLOv2→YOLOv3→YOLOv4的顺序，依次整理one-stage目标检测算法的改进点。除此之外，one-stage的anchor-free目标检测器在不断发展，包括CornerNet、ExtremeNet、F
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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