做微网站哪家好,设一个网站链接为安全怎么做,公司网站建设推广方案,外国网站在中国做推广#x1f4e2;#xff1a;如果你也对机器人、人工智能感兴趣#xff0c;看来我们志同道合✨ #x1f4e2;#xff1a;不妨浏览一下我的博客主页【https://blog.csdn.net/weixin_51244852】 #x1f4e2;#xff1a;文章若有幸对你有帮助#xff0c;可点赞 #x1f44d;… 如果你也对机器人、人工智能感兴趣看来我们志同道合✨ 不妨浏览一下我的博客主页【https://blog.csdn.net/weixin_51244852】 文章若有幸对你有帮助可点赞 收藏 ⭐不迷路 内容若有错误敬请留言 指正原创文转载请注明出处 文章目录 YOLO v1YOLO v2YOLO v3YOLO v4YOLO v5YOLO v6YOLO v7YOLO v8YOLOXYOLOP YOLO v1
You Only Look Once: Unified, Real-Time Object Detection 作者Joseph Redmon, Santosh Divvala, Ross Girshick, Ali Farhadi 单位华盛顿大学Allen Institute for AIFAIR 论文https://arxiv.org/abs/1506.02640 主页https://pjreddie.com/darknet/yolo/ 时间2015年6月8日
YOLO v2
YOLO9000: Better, Faster, Stronger 作者Joseph Redmon, Ali Farhadi 单位华盛顿大学Allen Institute for AI 论文https://arxiv.org/abs/1612.08242 主页https://pjreddie.com/darknet/yolo/ 时间2016年12月25日 在 YOLO 基础上保持原有速度的同时提升精度得到YOLOv2让预测变得更准确Better更快速Faster。
YOLO v3
YOLOv3: An Incremental Improvement 作者Joseph Redmon, Ali Farhadi 单位华盛顿大学 论文https://arxiv.org/abs/1804.02767 主页https://pjreddie.com/darknet/yolo/ Star | 18.3K 时间2018年4月8日 在320×320 YOLOv3运行22.2ms28.2 mAP像SSD一样准确但速度快三倍。在Titan X上它在51 ms内实现了57.9的AP50与RetinaNet在198 ms内的57.5 AP50相当性能相似但速度快3.8倍。
YOLO v4
YOLOv4: Optimal Speed and Accuracy of Object Detection 作者Alexey BochkovskiyChien-Yao WangHong-Yuan Mark Liao 单位(中国台湾)中央研究院 论文https://arxiv.org/pdf/2004.10934v1.pdf 代码https://github.com/AlexeyAB/darknet Star | 11.9K 时间2020年4月24日
YOLO v5
2020年6月25日Ultralytics发布了YOLOV5 的第一个正式版本号称其性能与YOLO V4不相伯仲同样也是现今最先进的目标检测技术并在推理速度上是目前最强。 论文无 代码https://github.com/ultralytics/yolov5 Star | 3.5K
YOLO v6
YOLOv6是美团提出的一种实时目标检测方法其速度比YOLOv5快20%这主要归功于其采用的relu激活函数。在COCO数据集上YOLOv6-N达到了37.5%的AP并且通过NVIDIA Tesla T4 GPU测试的吞吐量为1187 FPS。而YOLOv6-S在保持较高速度的同时打击了45.0%的AP超过了同等规模的其他主流检测器包括YOLOv5-S、YOLOv8-S、YOLOX-S和PPYOLOE-S。值得注意的是YOLOv6-M/L在相似的推理速度下也比其他检测器实现了更好的精度性能分别为50.0%/52.8%
YOLO v7
YOLO v7一个出场即喊了一句“在座的各位都是腊鸡”的detector其在COCO数据集上的表现如下图不论是mAP还是latency都比同级别的detector好. 正如文章标题所描述的YOLO v7实现高精度检测的方式更多的是依靠训练策略的优化. BTWYOLO v7的整体架构和YOLO v5仍然非常相似皆为backboneFPNPAN三个不同尺度的head但其中内嵌的模块有了较大改变. 论文https://arxiv.org/pdf/2207.02696.pdf。 《YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors》 代码https://github.com/WongKinYiu/yolov7 YOLO v8
YOLOv8 是 ultralytics 公司在 2023 年 1月 10 号开源的 YOLOv5 的下一个重大更新版本目前支持图像分类、物体检测和实例分割任务在还没有开源时就收到了用户的广泛关注。
YOLOv8 是最新最先进的 YOLO 模型可用于对象检测、图像分类和实例分割任务。YOLOv8 由 Ultralytics 开发该公司还创建了具有影响力和行业定义的 YOLOv5 模型。与 YOLOv5 相比YOLOv8 包含大量架构和开发人员体验更改和改进。
代码https://github.com/ultralytics/ultralytics
YOLOX
YOLOX: Exceeding YOLO Series in 2021 YOLOX采用了anchor-free的设计思路使得模型对于目标物体的形状、大小和比例等参数具有更好的泛化能力。同时YOLOX还引入了decoupled detection head这种设计可以更好地优化目标检测任务中的目标定位和分类两个子任务。
值得一提的是YOLOX所采用的主干网络CSPDarknet创新性地加入了Fcous结构这种结构可以有效地缩小图片宽高信息降低参数量从而提高网络的计算速度。此外YOLOX还提出了SimOTA这一新的训练策略该策略通过模拟标签的分配来优化目标检测的性能。
作者单位旷视科技 代码https://github.com/Megvii-BaseDetection/YOLOX 论文https://arxiv.org/abs/2107.08430 YOLOP
华中大提出全景驾驶感知网络YOLOP 可以同时进行 traffic object detection交通目标检测、 drivable area segmentation可驾驶区域分割和 lane detection车道检测 作者 | Dong Wu, Manwen Liao, Weitian Zhang, Xinggang Wang 单位 | 华中科技大学 论文 | https://arxiv.org/abs/2108.11250 代码 | github.com/hustvl/YOLOP
