YOLO系列家族
-
-
- （1）YOLO发展史
- [（2） YOLOX](#（2） YOLOX)
- [（3） YOLOv6](#（3） YOLOv6)
- [（4） YOLOv7](#（4） YOLOv7)
- [（5） YOLOv8](#（5） YOLOv8)
- [（6） YOLOv9](#（6） YOLOv9)
- （7）YOLOv10
- （8）YOLOv11
- （9）YOLOv12
-
（1）YOLO发展史
YOLO(You Only Look Once）是一种流行的物体检测和图像分割模型，由华盛顿大学的约瑟夫-雷德蒙（Joseph Redmon）和阿里-法哈迪（Ali Farhadi）开发。YOLO 于 2015 年推出，因其高速度和高精确度而迅速受到欢迎。
-
2016 年发布的YOLOv2 通过纳入批量归一化、锚框和维度集群改进了原始模型。
-
2018 年推出的YOLOv3 使用更高效的骨干网络、多锚和空间金字塔池化（SPP）进一步增强了模型的性能。
-
2020 年YOLOv4发布，引入了 Mosaic 数据增强、新的无锚检测头和新的损失函数等创新技术。
-
2020 年YOLOv5进一步提高了模型的性能，并增加了超参数优化、集成实验跟踪和自动导出为常用导出格式等新功能。
-
2021 年YOLOX由旷视科技开源，解耦头
-
2022 年YOLOv7开源，增加了额外的任务，如 COCO 关键点数据集的姿势估计。
-
2023 年YOLOv8是YOLO 的最新版本，由Ultralytics 提供。YOLOv8 YOLOv8 支持全方位的视觉 AI 任务，包括检测、分割、姿态估计、跟踪和分类。这种多功能性使用户能够在各种应用和领域中利用YOLOv8 的功能。
-
2024 年YOLOv9引入了可编程梯度信息（PGI）和广义高效层聚合网络（GELAN）等创新方法。
-
2024年YOLOv10引入了一种双重分配策略，消除了NMS的需求，从而实现了更快、更高效的目标检测。
- 2024年YOLO11 新功能： 最新的 模型可在Ultralytics YOLO 检测、分割、姿势估计、跟踪和分类等多项任务中提供最先进的 (SOTA) 性能，充分利用各种人工智能应用和领域的能力。
- 2025.02.18 YOLOv12发布，首次摆脱了传统卷积神经网络的约束，将注意力机制直接融入目标检测框架，创新性的使用区域注意力、R-ELAN 和 FlashAttention，在提高检测精度（mAP）的同时保持实时推理性能。
（2） YOLOX
论文地址： https://arxiv.org/abs/2107.08430
代码仓库： https://github.com/Megvii-BaseDetection/YOLOX
（3） YOLOv6
论文地址：
- YOLOv6 v3.0: A Full-Scale Reloading 🔥
- YOLOv6: A Single-Stage Object Detection Framework for Industrial Applications
代码仓库： https://github.com/meituan/YOLOv6
（4） YOLOv7
论文地址： YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors
代码仓库： https://github.com/WongKinYiu/yolov7
（5） YOLOv8
论文地址： /
代码仓库： https://github.com/ultralytics/ultralytics
（6） YOLOv9
论文地址： https://arxiv.org/abs/2402.13616
代码仓库： https://github.com/WongKinYiu/yolov9
（7）YOLOv10
论文地址： https://arxiv.org/pdf/2405.14458
代码仓库： https://github.com/THU-MIG/yolov10
（8）YOLOv11
YOLOv11来了，使用YOLOv11训练自己的数据集和推理
代码仓库： https://github.com/ultralytics/ultralytics
（9）YOLOv12
YOLOv12论文详解：以注意力机制为核心的实时目标检测算法（附论文和源码）