YOLO进化史[v1~v12]

原创 已于 2025-06-19 10:59:33 修改 · 276 阅读 · 2 ·
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：

#YOLO #目标跟踪 #机器学习

于 2025-06-19 10:59:01 首次发布

YOLO是一种先进的实时的目标检测算法。训练过程包括数据准备、模型和框架选择、训练参数配置、训练过程、评估和调优以及部署和应用。

自2015年第一版本发布以来，YOLO至今已经经历了12个主要版本的迭代，每个版本都在提高检测精度、检测速度等方面进行改进，具体如下：

YOLO v1通过分离边界框和使用单个CNN将每个检测图像的概率关联，主要解决RCNN系列速度问题2015
YOLO v2采用Darknet-19架构、引入Batch Normalization和Anchor boxes、提供多尺度训练，推理速度更快、准确度提升2016

YOLO v3

采用Darknet-53架构、引入多尺度预测、使用逻辑回归损失函数来预测边界框，速度和准确率提升2018
YOLO v4采用CSPDarknet53，加入SPP与CSP、使用Mosaic数据增强、DropBlock正则化策略等技术，精度提升、计算资源减少2020
YOLO v5支持分割、SPFF提速，引入新的训练策略和数据增强方法，适用于部署在嵌入式芯片上，速度提升2020
YOLO v6 结构重参数化提速EfficientRep、优化Backbone与Neck等部分，工业型改进2022
YOLO v7基于YOLO v5进行改进，高效聚合网络、RepConv、辅助头检测、采用swish激活函数2022
YOLO v8多尺度预测、自适应调整锚框、新的骨干网络、新的Ancher-Free检测头和新的损失函数，可进行检测、分割、姿态估计、跟踪和分类，全新SOTA模型2023
YOLO v9引入PGI和GELAN，轻量、快速、准确2024
YOLO v10无NMS训练的一致双重分配2024
YOLO v11采用全新Transformer架构、支持多模态输入2024
YOLO v12引入区域注意力机制、残差高效层聚合网络（R-ELAN）2025

kailongf
关注
爆肝整理！YOLO 从 v1 到 v12 全版本进化史，检测速度与精度进化图谱
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
06-25 823
YOLOv2尽管在实时性能和检测精度上取得了显著进步，但仍存在以下技术瓶颈：尽管YOLOv3显著改进了YOLO系列的检测能力，但仍存在以下核心技术瓶颈：YOLOv4首次系统性地将目标检测优化策略分为两大类别：CSPDarknet53骨干网络：Mish激活函数(BoS)：多输入加权残差连接(MiWRC)(BoS)：SPP空间金字塔池化模块(BoS)：改进型PANet路径聚合网络(BoS)：SAM空间注意力模块(BoS)：改进的边界框回归(BoF)：标签分配策略优化(BoF)：Mosaic数据增强(BoF)：D
YOLO进化史：从v1到v12的注意力革命 —— 实时检测的“快”与“准”如何兼得？
m0_72427326的博客
06-17 792
以下是一篇关于YOLO系列演进全解析（2016-2025）的技术博客，结合最新v11/v12架构创新与实战思考，以开发者视角解读技术变革
YOLO进化史：从v1到v12，实时目标检测的王者之路
yzx991013的博客
07-14 748
摘要：YOLO系列算法作为实时目标检测的标杆，经历了从开创到革新的发展历程。YOLOv1-v3奠定了单次检测的基础框架；v4-v5通过工程优化提升实用性；v6-v8实现性能突破，引入Anchor-Free等新范式；最新v9-v12探索轻量化、开放词汇检测等前沿方向。该系列始终围绕速度与精度的平衡，持续推动检测技术进步。未来将向边缘计算、多模态融合等方向发展，在工业界保持重要地位。（150字）
YOLO简史：从YOLOv1到YOLOv12的技术革新与演进
懒人的技术笔记
03-16 3163
YOLO（You Only Look Once）系列算法自2015年诞生以来，凭借其“单次推理”的高效特性，彻底改变了目标检测领域。从初代YOLO到最新的YOLOv12，每一次迭代都凝聚了研究者的智慧与工业界的实践需求。本文梳理各版本的特性、技术突破、应用领域等，展现YOLO的进化历程。
YOLO发展全解：从v1到v12的技术演进细节指南
极限突破者的博客
06-21 1079
本文系统梳理了YOLO(You Only Look Once)目标检测算法从2015年v1版本到2025年v12版本的技术演进历程，深入解析了其核心架构创新、性能优化路径及行业应用实践。
YOLOv1到YOLOv12发展概述2025.3.17
sinat_34897952的博客
03-17 1961
一.YOLO系列算法发展一.YOLO系列算法发展YOLOv1作为开创性的单阶段目标检测算法，将目标检测转化为回归问题，实现了快速高效的目标检测。其核心思想是将输入图像划分为S×S个网格，每个网格负责预测B个边界框及其置信度和C个类别概率。YOLOv2在YOLOv1基础上引入了Batch Normalization和anchor boxes等技术，显著提升了检测精度。YOLOv3进一步优化了网络结构，采用Darknet-53作为特征提取器，并引入了多尺度预测机制，有效提高了对小目标的检测能力。
【YOLO系列】YOLO v1~v3论文阅读笔记
专注人工智能，主攻CV
11-23 1074
YOLO v1~v3都是由YOLO之父Joseph Redmon大神提出，YOLO v1首次将检测问题制定为回归问题，在此之前都是采用分类的方式来解决目标检测问题（例如RCNN系列），YOLO v1的最大优势就是速度快；v2在v1的基础上针对检测精度进行改进，v3结合当时一些新颖的技术对v2做了一些重要的改进，被作者谦虚地戏称为TECH REPORT。
pytorch实现的YOLO-v1源代码
07-02
pytorch实现的YOLO-v1源代码pytorch实现的YOLO-v1源代码pytorch实现的YOLO-v1源代码pytorch实现的YOLO-v1源代码pytorch实现的YOLO-v1源代码pytorch实现的YOLO-v1源代码pytorch实现的YOLO-v1源代码pytorch实现的YOLO-...
YOLO v1~v3学习心得
8000的博客
07-16 2687
#YOLO v1 #YOLO v2 #YOLO v3
YOLO系列（1～3）神经网络笔记
Geek_of_优快云的博客
10-14 1952
闲话少说，进入正题。YOLO是一种One-stage的物体检测网络1。one-stage即直接生成物体的类别概率和位置坐标值，经过单次检测就可以直接得到结果；相对应的是two-stage甚至multi-stage，multi-stage已经淘汰，所以不提，two-stage则是将检测问题划分为两个阶段，先产生候选区域（region proposals）然后对候选区域分类（一般还需要对位置精修），Faster R-CNN之类的就属于这一类2。v1带有全连接网络，但是v2和v3都舍弃掉了全连接网络，改成了纯CN
Yolo系列——YOLO v1
2301_77698138的博客
10-23 3032
最终输出的7×7意味着7×7个grid cell，30表示每个grid cell包含30个信息，其中2个预测框，每个预测框包含5个信息(x y w h c)，分别为中心点位置坐标，宽高以及置信度，剩下20个是针对数据集的20个种类的预测概率(即假设该grid cell负责预测物体，那么它是某个类别的概率)。值越大则box越接近真实位置。YOLO-V1算法最后输出的检测结果为7x7x30的形式，其中30个值分别包括两个候选框的位置和有无包含物体的置信度以及网格中包含20个物体类别的概率。
DL00478-涡轮叶片缺陷检测数据集yolo格式1300张左右
crasher123的博客
07-21 810
涡轮叶片缺陷检测数据集yolo格式1300张左右在研究涡轮叶片缺陷检测的过程中，数据集的选择和格式处理是一个至关重要的环节。特别是当你打算通过卷积神经网络（CNN）等深度学习模型进行缺陷检测时，数据集的标注和格式化直接影响到模型的训练效果和论文的质量。本文将重点探讨的YOLO格式，并分析如何利用这一格式为研究论文提供坚实的基础。
【CV工程落地】如何用YOLO三模融合实现道路地下缺陷98.6%召回率？
Coovally_AI的博客
07-21 1073
【导读】在城市化快速发展的今天，道路“看起来没问题”，但地下却可能暗藏危机。路面下层病害（RSD）已成为影响道路安全的“隐形杀手”，而传统依赖人工判读的检测手段，不仅耗时长、效率低，还对专业经验高度依赖。本文介绍了一项突破性研究——结合3D地面穿透雷达（GPR）与YOLOX深度学习模型，首次构建大规模高质量实地数据集，并创新性提出三模态交叉验证策略。该方案在真实道路测试中实现98.6%召回率、90%工作量节省，为道路健康监测提供了高效、可靠的智能解决方案。想了解这套系统是如何将深度学习“落地”到城市道路巡检
YOLOv5、v8、v11小白安装教程（GPU版和CPU版）
抠头助手的博客
07-21 676
本文将详细介绍使用工具-->创建conda环境-->安装YOLO（包括GPU和CPU）-->安装Pycharm-->配置Pycharm解释器的详细流程。
YOLO 目标检测的改进方法
zhang1379的博客
07-18 652
YOLO目标检测的改进方法可以从模型架构、训练策略、损失函数等多个方面入手，以下是一些常见的改进方法方向及参考文献：
YOLOv8改进有效涨点-利用AFPN改进检测头适配YOLOv8版
最新发布
QQ_778132974的博客
07-23 111
AFPN通过渐进式融合策略和动态空间加权小目标信息保留（底层特征直达检测头）多尺度冲突化解（像素级自适应加权）计算效率平衡（通道压缩+轻量卷积）工业部署建议：在嵌入式设备（Jetson Orin）实测中，AFPN-YOLOv8在精度提升2.5% mAP的前提下，推理速度仅下降8%，性价比极高。未来方向与结合构建混合注意力机制扩展至3D点云目标检测开发动态层级选择（自动学习融合路径）资源下载GitHub链接优秀的检测器不应是特征金字塔的奴隶，而应成为信息融合的导演。
高通 QCS6490 平台上 YOLOv11-pose 系列模型的性能测试
AI暴风龙
07-22 1113
本文探讨了人体姿态估计技术在边缘计算设备上的部署方案，重点研究了YOLOv11-pose模型与高通QCS6490平台的适配性能。QCS6490平台采用异构计算架构，集成CPU、GPU和DSP，为AI推理提供每秒超过1万亿次的运算能力。文章详细介绍了将YOLOv11-pose模型从PyTorch格式转换为高通NPU可执行格式的全流程，包括模型转换、优化和量化步骤。测试结果显示，在640×640分辨率下，YOLOv11n-pose模型在QCS6490上实现262.1FPS的推理速度，展示了该平台在实时人体姿态估
高通 QCS6490 平台上 YOLOv11-cls 系列模型的性能测试
AI暴风龙
07-20 994
摘要：本文详细介绍了在高通QCS6490处理器上部署YOLOv11-cls系列模型的完整流程。QCS6490采用8核Kryo670架构，集成第6代AI引擎，支持12TOPS算力。文章首先对比了不同YOLOv11-cls模型在CPU/NPU上的性能表现，其中YOLO11n-cls在NPU上达到165.84FPS。随后分步讲解了模型转换方法：从PT格式到ONNX格式转换，再通过AIMO平台优化为QNN231格式。最后提供了完整的测试代码，包含模型加载、图像预处理、推理执行及结果可视化功能，为边缘计算场景下的视觉
获取制定版本的yolov5,使用下载zip文件替代git
weixin_59422604的博客
07-22 210
使用c++部署yolov5,需要制定版本的yolo。
yolo发展史v1到v12
03-13
### YOLO从版本1到版本12的发展历程 #### 版本演进概述 YOLO (You Only Look Once) 是一种实时目标检测算法，在计算机视觉领域取得了显著成就。自首次发布以来，经历了多个重要版本更新，不断改进性能和效率。 #### YOLO v1至v5：基于Anchor机制的迭代优化 - **YOLO v1**引入了一种全新的单阶段目标检测框架，摒弃了传统的两阶段方法中的区域建议过程[^1]。通过将整个图像划分为固定大小的网格，并让每个网格负责预测特定数量的目标边界框及其置信度分数。 - **YOLO v2**增强了模型架构并提高了准确性。主要改进包括使用更先进的预训练骨干网Darknet-19以及多尺度训练策略来提升泛化能力。此外还增加了Batch Normalization技术以加速收敛过程[^2]。 - **YOLO v3**进一步扩展了特征提取器规模，采用了更深更强力的Darknet-53结构。同时支持多种尺寸下的密集采样锚点设定，从而更好地适应不同比例的对象识别需求。 - **YOLO v4**集成了更多现代CV研究成果如Mish激活函数、CSPNet等组件设计思路，实现了更高水平的速度与精度平衡。特别强调轻量化部署场景下保持良好表现的能力。 - **YOLO v5**由Ultralytics团队开发维护，虽然官方并未将其视为正式版次的一部分，但在实际应用中广泛受到好评。该版本专注于简化API接口的同时也进行了多项内部结构调整和技术升级，例如加入了自动超参数调整工具等功能特性。 #### YOLO v6及以后：转向无锚点(Anchor-Free)方案 随着研究深入和技术进步，从**YOLO v6**起发生了根本性的转变——放弃了原有的基于锚定框的设计理念而转投于更加灵活高效的无锚定点方式来进行候选区生成。这种变化使得新代产品能够动态捕捉任意形状轮廓而不受限于预先定义好的模板集合，进而大幅提升了定位精准度和平滑性。 对于后续发布的具体细节，由于目前公开资料尚未全面覆盖所有高编号版本（如v10-v12），因此难以提供详尽描述。不过可以预见的是，这些较新的变体会持续探索如何融合最新理论成果实现自我超越，比如强化学习辅助调优、跨模态信息联合建模等方面都可能是未来发展的重点方向之一。 ```python # 示例代码展示YOLO v1基本推理流程 def yolo_v1_inference(image, model_weights='yolov1.weights'): net = cv2.dnn.readNetFromDarknet('cfg/yolov1.cfg', model_weights) layer_names = net.getLayerNames() output_layers = [layer_names[i[0] - 1] for i in net.getUnconnectedOutLayers()] blob = cv2.dnn.blobFromImage(image, scalefactor=0.00392, size=(448, 448), mean=(0, 0, 0)) net.setInput(blob) outs = net.forward(output_layers) # 进一步处理outs得到最终检测结果... ```
评论
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