YOLOv1-v11：版本演进及其关键技术解析
YOLOv1-v11：版本演进及其关键技术解析
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。
1. YOLOv1 (2016)
发布日期: 2016年6月
作者: Joseph Redmon, Santosh Divvala, Ross Girshick, Ali Farhadi
论文:"You Only Look Once: Unified, Real-Time Object Detection"
项目地址: YOLOv1 GitHub
主要功能:
创新思想：YOLOv1 首次将目标检测任务转化为一个单次前向传播的问题，显著提升了检测速度。
检测速度快：能够以 45 FPS 的速度处理图像，并且有一个更快的版本可以达到 155 FPS。
限制：YOLOv1 在小物体检测上的精度较差，且定位误差较高。
2. YOLOv2 (2017)
发布日期: 2017年12月
作者: Joseph Redmon, Ali Farhadi
论文:"YOLO9000: Better, Faster, Stronger"
项目地址: YOLOv2 GitHub
主要功能:
YOLO9000：YOLOv2 被称为 YOLO9000，能够检测 9000 种类别物体。
多尺度训练：通过不同分辨率的训练图像增强模型的鲁棒性。
Anchor Boxes：引入 anchor boxes 改进了对小物体的检测能力。
3. YOLOv3 (2018)
发布日期: 2018年4月
作者: Joseph Redmon, Ali Farhadi
论文:"YOLOv3: An Incremental Improvement"
项目地址: YOLOv3 GitHub
主要功能:
改进的网络结构：引入了 Darknet-53 作为主干网络，结合残差网络提高检测精度。
多尺度预测：在不同尺度上进行预测，改善对小物体的检测。
分类器移除：取消了软分类器，使用独立的二元分类器来提高性能。
4. YOLOv4 (2020)
发布日期: 2020年4月
作者: Alexey Bochkovskiy, Chien-Yao Wang, Hong-Yuan Mark Liao
论文:"YOLOv4: Optimal Speed and Accuracy of Object Detection"
项目地址: YOLOv4 GitHub
主要功能:
Bag of Freebies 和 Bag of Specials：提出了一系列的免费（Freebies）和特效（Specials）优化策略，大幅提高了模型精度。
CSPDarknet53：更高效的主干网络，提升了网络的推理速度和精度。
CIoU 损失函数：引入 CIoU 损失，提高了边界框回归的性能。
5. YOLOv5 (2020)
发布日期: 2020年6月
作者: Glenn Jocher
项目地址: YOLOv5 GitHub
主要功能:
Pytorch 实现：YOLOv5 转向了 Pytorch 框架，便于开发者使用和扩展。
自动学习的 anchor boxes：通过自适应的 anchor box 学习机制，进一步提高检测效率。
丰富的预训练模型：提供了多种尺寸的预训练模型，满足不同场景的需求。
6. YOLOv6 (2022)
发布日期: 2022年6月
作者: Meituan 技术团队
项目地址: YOLOv6 GitHub
主要功能:
行业应用优化：YOLOv6 是针对行业应用优化的版本，尤其注重推理速度。
改进的网络结构：引入 EfficientRep 带来了更高效的网络架构。
支持部署：优化模型部署性能，适合工业环境中的大规模应用。
7. YOLOv7 (2022)
发布日期: 2022年7月
作者: Wong Kin-Yiu, Alexey Bochkovskiy, Chien-Yao Wang
论文:"YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors"
项目地址: YOLOv7 GitHub
主要功能:
精度和速度的新突破：YOLOv7 在 COCO 数据集上达到了新的速度与精度平衡。
跨尺度特征融合：通过跨尺度的特征融合，提高了对不同尺度物体的检测能力。
动态标签分配：改进了训练过程中的标签分配方式，使得训练效率更高。
8. YOLOv8 (2023)
发布日期: 2023年1月
作者: Ultralytics 团队
项目地址: YOLOv8 GitHub
主要功能:
模块化设计：提供了可定制的模块化设计，方便用户根据需求进行扩展。
自动化训练和优化：内置了多种训练和超参数优化策略，简化了模型调优过程。
集成检测、分割和跟踪：YOLOv8 不仅支持目标检测，还集成了语义分割和目标跟踪功能。
YOLOv9（2024.02）
版本名称: YOLOv9
发布日期: 2024年2月
作者/贡献者: WongKinYiu, 可能还有其他贡献者
主要功能:
引入了可编程梯度信息（PGI）的概念。
设计了一种新的轻量级网络架构—基于梯度路径规划的通用高效层聚合网络（GELAN）。
提高了模型的学习能力，并在整个检测过程中保留关键信息。
改进了GhostNet主干网络以提高效率。
融合了Involution新卷积算子来增强上下文信息提取能力。
为道路缺陷检测等特定应用场景引入了DCNv4、自研BSAM注意力机制及极简的神经网络VanillaBlock等技术。
替换MobileNetV2作为主干网络实现轻量化。
10. YOLOv10 (2024.05)
发布日期: 2024.05
作者: 清华大学
论文：https://arxiv.org/pdf/2405.14458
项目地址: https://github.com/THU-MIG/yolov10
主要功能:实时端到端的对象检测。主要是速度和性能方面的提升。
11. YOLOv11 (2024)
发布日期: 2024.09
作者: Ultralytics 团队
项目地址: https://github.com/ultralytics/
主要功能:
Ultralytics YOLO11 是基于之前 YOLO 版本的成功经验开发的最新版本，引入了新的特性和改进，进一步提升了性能和灵活性。YOLO11 设计为快速、准确且易于使用，使其成为对象检测、跟踪、实例分割、图像分类和姿态估计等多种任务的理想选择。