來源：OpenCV與AI深度學(xué)習(xí)

YOLO （You Only Look Once） 是一系列實(shí)時(shí)對(duì)象檢測(cè)機(jī)器學(xué)習(xí)算法。對(duì)象檢測(cè)是一項(xiàng)計(jì)算機(jī)視覺任務(wù)，它使用神經(jīng)網(wǎng)絡(luò)對(duì)圖像中的對(duì)象進(jìn)行定位和分類。這項(xiàng)任務(wù)的應(yīng)用范圍很廣，從醫(yī)學(xué)成像到自動(dòng)駕駛汽車。多種機(jī)器學(xué)習(xí)算法用于對(duì)象檢測(cè)，其中一種是卷積神經(jīng)網(wǎng)絡(luò) （CNN）。

CNN 是任何 YOLO 模型的基礎(chǔ)，研究人員和工程師使用這些模型執(zhí)行對(duì)象檢測(cè)和分割等任務(wù)。YOLO 模型是開源的，它們?cè)谠擃I(lǐng)域得到了廣泛的應(yīng)用。這些模型從一個(gè)版本到另一個(gè)版本都在改進(jìn)，從而提高了準(zhǔn)確性、性能和附加功能。本文將探討整個(gè) YOLO 家族，我們將從原始到最新開始，探索它們的架構(gòu)、用例和演示。

YOLOv1

在引入 YOLO 對(duì)象檢測(cè)之前，研究人員使用了基于卷積神經(jīng)網(wǎng)絡(luò) （CNN） 的方法，如 R-CNN 和 Fast R-CNN。這些方法使用兩步過程來預(yù)測(cè)邊界框，然后使用回歸對(duì)這些框中的對(duì)象進(jìn)行分類。這種方法速度緩慢且占用大量資源，但 YOLO 模型徹底改變了對(duì)象檢測(cè)。當(dāng) Joseph Redmon 和 Ali Farhadi 于 2016 年開發(fā)第一個(gè) YOLO 時(shí)，它通過新的增強(qiáng)架構(gòu)克服了傳統(tǒng)對(duì)象檢測(cè)算法的大部分問題。

最初的 YOLO 架構(gòu)由 24 個(gè)卷積層和 2 個(gè)完全連接的層組成，其靈感來自用于圖像分類的 GoogLeNet 模型。YOLOv1 方法在當(dāng)時(shí)是第一個(gè)。

網(wǎng)絡(luò)的初始卷積層從圖像中提取特征，而全連接層預(yù)測(cè)輸出概率和坐標(biāo)。這意味著邊界框和分類都在一個(gè)步驟中進(jìn)行。這個(gè)一步式流程簡(jiǎn)化了操作并實(shí)現(xiàn)了實(shí)時(shí)效率。此外，YOLO 體系結(jié)構(gòu)還使用了以下優(yōu)化技術(shù)。

• Leaky ReLU 激活：Leaky ReLU 有助于防止“垂死的 ReLU”問題，即神經(jīng)元在訓(xùn)練過程中可能會(huì)卡在不活躍的狀態(tài)。

• Dropout 正則化：YOLOv1 在第一個(gè)全連接層之后應(yīng)用 dropout 正則化，以防止過擬合。

• 數(shù)據(jù)增強(qiáng)

如何工作的？

YOLO 模型的本質(zhì)是將對(duì)象檢測(cè)視為回歸問題。YOLO 方法是將單個(gè)卷積神經(jīng)網(wǎng)絡(luò) （CNN） 應(yīng)用于完整圖像。此網(wǎng)絡(luò)將圖像劃分為多個(gè)區(qū)域，并預(yù)測(cè)每個(gè)區(qū)域的邊界框和概率。

這些邊界框由預(yù)測(cè)概率加權(quán)。然后，可以對(duì)這些權(quán)重進(jìn)行閾值處理，以僅顯示高分檢測(cè)。

YOLOv1 將輸入圖像劃分為一個(gè)網(wǎng)格 （SxS），每個(gè)網(wǎng)格單元負(fù)責(zé)預(yù)測(cè)其內(nèi)部對(duì)象的邊界框和類概率。每個(gè)邊界框預(yù)測(cè)都包含一個(gè)置信度分?jǐn)?shù)，指示框中存在對(duì)象的可能性。研究人員使用交并比 （IOU） 等技術(shù)計(jì)算置信度分?jǐn)?shù)，該技術(shù)可用于篩選預(yù)測(cè)。盡管 YOLO 方法新穎且速度很快，但它面臨一些限制，如下所示。

• 泛化：YOLOv1 難以檢測(cè)在訓(xùn)練中無法準(zhǔn)確看到的新對(duì)象。

• 空間約束：在 YOLOv1 中，每個(gè)網(wǎng)格單元格只能預(yù)測(cè)兩個(gè)框，并且只能有一個(gè)類，這使得它難以處理成群出現(xiàn)的小對(duì)象，例如鳥群。

• 損失函數(shù)限制：YOLOv1 損失函數(shù)在小邊界框和大邊界框中處理錯(cuò)誤的方式相同。大框中的小錯(cuò)誤通常是可以的，但小錯(cuò)誤對(duì) IOU 的影響要大得多。

• 定位錯(cuò)誤：YOLOv1 的一個(gè)主要問題是準(zhǔn)確性，它經(jīng)常錯(cuò)誤地定位對(duì)象在圖像中的位置。

現(xiàn)在我們已經(jīng)介紹了 YOLO 的基本機(jī)制，讓我們看看研究人員如何在下一個(gè)版本中升級(jí)此模型的功能。

YOLOv2

YOLO9000在 YOLOv1 發(fā)布一年后推出，以解決當(dāng)時(shí)對(duì)象檢測(cè)數(shù)據(jù)集的局限性。YOLO9000之所以這樣命名，是因?yàn)樗梢詸z測(cè) 9000 多個(gè)不同的對(duì)象類別。這在準(zhǔn)確性和泛化性方面具有變革性。

YOLO9000 背后的研究人員提出了一種獨(dú)特的聯(lián)合訓(xùn)練算法，該算法可以根據(jù)檢測(cè)和分類數(shù)據(jù)訓(xùn)練對(duì)象檢測(cè)器。這種方法利用標(biāo)記的檢測(cè)圖像來學(xué)習(xí)精確定位對(duì)象，并使用分類圖像來增加其詞匯量和魯棒性。

通過組合來自不同數(shù)據(jù)集的特征進(jìn)行分類和檢測(cè)，YOLO9000 顯示出比其前身 YOLOv1 有很大的改進(jìn)。YOLO9000 被宣布為更好、更強(qiáng)、更快。

• 分層分類：YOLO9000 中使用的一種基于 WordTree 結(jié)構(gòu)的方法，允許增加對(duì)看不見對(duì)象的泛化，并增加對(duì)象的詞匯量或范圍。

• 架構(gòu)變化：YOLO9000引入了一些變化，例如使用批量規(guī)范化來加快訓(xùn)練和穩(wěn)定性、使用錨框或滑動(dòng)窗口方法，并使用 Darknet-19 作為主干。Darknet-19 是一個(gè)具有 19 層的 CNN，旨在準(zhǔn)確和快速。

• 聯(lián)合訓(xùn)練：一種算法，允許模型利用分層分類框架并從分類和檢測(cè)數(shù)據(jù)集（如 COCO 和 ImageNet）中學(xué)習(xí)。

不過，YOLO 系列繼續(xù)改進(jìn)，接下來我們來看看 YOLOv3。

YOLOv3

幾年后，YOLO 背后的研究人員提出了下一個(gè)版本 YOLOv3。雖然 YOLO9000 是一種最先進(jìn)的模型，但對(duì)象檢測(cè)通常有其局限性。提高準(zhǔn)確性和速度始終是對(duì)象檢測(cè)模型的目標(biāo)之一，這也是 YOLOv3 的目標(biāo)，在這里和那里進(jìn)行少量調(diào)整，我們就會(huì)得到性能更好的模型。

改進(jìn)從邊界框開始，雖然它仍然使用滑動(dòng)窗口方法，但 YOLOv3 有一些增強(qiáng)。YOLOv3 引入了多尺度預(yù)測(cè)，它可以在三種不同尺度上預(yù)測(cè)邊界框。這意味著可以更有效地檢測(cè)不同大小的物體。除其他改進(jìn)外，這讓 YOLO 重新回到了最先進(jìn)模型的地圖上，并在速度和準(zhǔn)確性之間進(jìn)行了權(quán)衡。

如圖所示，YOLOv3 使用平均精度均值 （mAP-50） 指標(biāo)提供了最佳的速度和準(zhǔn)確性之一。此外，YOLOv3 還引入了其他改進(jìn)，如下所示。

• 骨干網(wǎng)：YOLOv3 使用更好、更大的 CNN 骨干網(wǎng)，即 Darknet-53，它由 53 層組成，是 Darknet-19 和深度學(xué)習(xí)殘差網(wǎng)絡(luò) （Resnets） 之間的混合方法，但比 ResNet-101 或 ResNet-152 更高效。

• 跨尺度預(yù)測(cè)：YOLOv3 預(yù)測(cè)三種不同尺度的邊界框，類似于特征金字塔網(wǎng)絡(luò)。這使模型能夠更有效地檢測(cè)各種大小的對(duì)象。

• 分類器：使用獨(dú)立的 Logistic 分類器代替 softmax 函數(shù)，允許每個(gè)盒子有多個(gè)標(biāo)簽。

• 數(shù)據(jù)集：研究人員僅在 COCO 數(shù)據(jù)集上訓(xùn)練 YOLOv3。

此外，雖然不太重要，但 YOLOv3 修復(fù)了 YOLOv2 中的一個(gè)小數(shù)據(jù)加載錯(cuò)誤，這幫助了大約 2 mAP 點(diǎn)。接下來，讓我們看看 YOLO 模型是如何演變成 YOLOv4 的。

YOLOv4

延續(xù) YOLO 系列的傳統(tǒng)，YOLOv4 引入了多項(xiàng)改進(jìn)和優(yōu)化。讓我們更深入地了解 YOLOv4 機(jī)制。

結(jié)構(gòu)

最顯著的變化是 3 部分架構(gòu)，雖然 YOLOv4 仍然是一個(gè)單階段的目標(biāo)檢測(cè)網(wǎng)絡(luò)，但架構(gòu)涉及 3 個(gè)主要組件，即 backbone、head 和 neck。這種架構(gòu)拆分是 YOLO 發(fā)展過程中非常重要的一步。在 YOLO 中，backbone、head 和 neck 都有自己的功能。

主干是特征提取部分，通常是跨層學(xué)習(xí)特征的 CNN。然后，neck 對(duì)從 backbone 的不同級(jí)別提取的特征進(jìn)行細(xì)化和組合，從而創(chuàng)建豐富且信息豐富的特征表示。最后，head 執(zhí)行實(shí)際預(yù)測(cè)，并輸出邊界框、類概率和對(duì)象性分?jǐn)?shù)。

對(duì)于 YOLOv4，研究人員將以下組件用于 backbone、neck 和 head。

• 主干網(wǎng)：CSPDarknet53 是一個(gè)卷積神經(jīng)網(wǎng)絡(luò)和對(duì)象檢測(cè)主干網(wǎng)，它使用使用跨階段部分網(wǎng)絡(luò) （CSPNet） 策略的 DarkNet-53。

• Neck：修改后的空間金字塔池化 （SPP） 和路徑聚合網(wǎng)絡(luò) （PAN） 用于 YOLOv4，從而產(chǎn)生更精細(xì)的特征提取、更好的訓(xùn)練和更好的性能。

• 頭部：YOLOv4 采用 YOLOv3 的（基于錨點(diǎn)的）架構(gòu)作為 YOLOv4 的頭部。

這并不是 YOLOv4 引入的全部，在優(yōu)化和選擇正確的方法和技術(shù)方面還有很多工作，讓我們接下來探索這些。

優(yōu)化

正如研究人員在論文中介紹的那樣，YOLOv4 模型帶有兩袋方法：免費(fèi)贈(zèng)品袋 （BoF） 和特價(jià)袋 （BoS）。這些方法對(duì) YOLOv4 的性能很有幫助，在本節(jié)中，我們將探討研究人員使用的重要方法。

• 馬賽克數(shù)據(jù)增強(qiáng)：這種數(shù)據(jù)增強(qiáng)方法將 4 張訓(xùn)練圖像合二為一，使模型能夠?qū)W習(xí)在更廣泛的上下文中檢測(cè)對(duì)象，并減少對(duì)大小批量的需求。研究人員將其用作骨干訓(xùn)練的 BoF 的一部分。

• 自我對(duì)抗訓(xùn)練 （SAT）：一種兩階段數(shù)據(jù)增強(qiáng)技術(shù)，其中網(wǎng)絡(luò)欺騙自己并修改輸入圖像以認(rèn)為沒有對(duì)象。然后，它在這個(gè)修改后的圖像上進(jìn)行訓(xùn)練，以提高穩(wěn)健性和泛化性。研究人員將其用作檢測(cè)器或網(wǎng)絡(luò)頭的 BoF 的一部分。

• 跨小批量歸一化 （CmBN）：交叉迭代批量歸一化 （CBN） 的修改版，使訓(xùn)練更適合單個(gè) GPU。研究人員用作探測(cè)器 BoF 的一部分。

• 改進(jìn)的空間注意力模塊 （SAM）：研究人員將原始 SAM 從空間注意力修改為點(diǎn)注意力，增強(qiáng)了模型在不增加計(jì)算成本的情況下專注于重要特征的能力。用作 BoS 的一部分，作為網(wǎng)絡(luò)檢測(cè)器的附加塊。

然而，這還不是全部，YOLOv4 在 BoS 和 BoF 中使用了許多其他技術(shù)，例如作為 BoS 一部分的骨干網(wǎng)的 Mish 激活和跨級(jí)部分連接 （CSP）。所有這些優(yōu)化修改為 YOLOv4 帶來了最先進(jìn)的性能，尤其是在速度和準(zhǔn)確性方面。

YOLOv5

雖然 YOLOv5 沒有附帶專門的研究論文，但該模型給所有開發(fā)人員、工程師和研究人員留下了深刻的印象。YOLOv5 在 YOLOv4 之后幾個(gè)月推出，沒有太大的改進(jìn)，但速度略快。Ultralytics 設(shè)計(jì)的 YOLOv5 更易于實(shí)現(xiàn)，并且具有多種語言支持的更詳細(xì)的文檔，最值得注意的是 YOLOv5 基于 Pytorch 構(gòu)建，使其易于開發(fā)人員使用。

與此同時(shí)，它的前輩稍微難以實(shí)現(xiàn)。Ultralytics 宣布 YOLOv5 為世界上最受歡迎的視覺 AI，此外，YOLOv5 還具有一些很棒的功能，例如用于模型導(dǎo)出的不同格式、用于使用您自己的數(shù)據(jù)進(jìn)行訓(xùn)練的訓(xùn)練腳本，以及多種訓(xùn)練技巧，如測(cè)試時(shí)增強(qiáng) （TTA） 和模型集成。

易用性、持續(xù)更新、龐大的社區(qū)和良好的文檔使 YOLOv5 成為完美的緊湊型模型，它可以在輕量級(jí)硬件上運(yùn)行，并且?guī)缀鯇?shí)時(shí)地提供不錯(cuò)的準(zhǔn)確性。YOLO 模型在 YOLOv5 到 YOLOv6 之后繼續(xù)發(fā)展，讓我們?cè)谙乱还?jié)中探討一下。

YOLOv6

YOLOv6 是 YOLO 系列中的一次重大演變，它引入了一些關(guān)鍵的架構(gòu)和訓(xùn)練變化，以實(shí)現(xiàn)速度和準(zhǔn)確性之間的更好平衡。值得注意的是，YOLOv6 以專注于工業(yè)應(yīng)用而著稱。這種工業(yè)重點(diǎn)提供了部署就緒型網(wǎng)絡(luò)，并更好地考慮了實(shí)際環(huán)境的約束。

在速度和準(zhǔn)確性之間取得平衡，它可以在常用硬件上運(yùn)行，例如 Tesla T4 GPU，這使得在工業(yè)環(huán)境中部署對(duì)象檢測(cè)比以往任何時(shí)候都更容易。YOLOv6 并不是當(dāng)時(shí)唯一可用的模型，還有 YOLOv5、YOLOX 和 YOLOv7 都是高效探測(cè)器部署的競(jìng)爭(zhēng)候選者。現(xiàn)在，讓我們討論一下 YOLOv6 引入的變化。

• Backbone：研究人員使用 EfficientRep 構(gòu)建主干，EfficientRep 是一種硬件感知型 CNN，具有用于小型模型（N 和 S）的 RepBlock，以及用于大型模型（M 和 L）的 CSPStackRep Block。

• Neck：使用 Rep-PAN 拓?fù)洌褂?RepBlock 或 CSPStackRep 塊增強(qiáng) YOLOv4 和 YOLOv5 中修改后的 PAN 拓?fù)洹＿@提供了來自主干網(wǎng)不同級(jí)別的更高效的特征聚合。

• Head：YOLOv6 引入了 Efficient Decoupled Head，簡(jiǎn)化了設(shè)計(jì)以提高效率。它采用混合通道策略，減少了中間 3×3 卷積層的數(shù)量，并與 backbone 和 neck 一起縮放寬度。

YOLOv6 還整合了其他幾種技術(shù)來提高性能。

• 標(biāo)簽分配：利用任務(wù)對(duì)齊學(xué)習(xí) （TAL） 來解決分類和框回歸任務(wù)之間的錯(cuò)位。

• Self-Distillation：它將 Self-Distillation 應(yīng)用于分類和回歸任務(wù)，進(jìn)一步提高了準(zhǔn)確性。

• 損失函數(shù)：它使用 VariFocal Loss 進(jìn)行分類，并結(jié)合使用 SIoU 和 GIoU Loss 進(jìn)行回歸。

YOLOv6 代表了一種經(jīng)過改進(jìn)和增強(qiáng)的對(duì)象檢測(cè)方法，它建立在其前輩的優(yōu)勢(shì)之上，同時(shí)引入了創(chuàng)新的解決方案來應(yīng)對(duì)實(shí)際部署的挑戰(zhàn)。它專注于效率、準(zhǔn)確性和工業(yè)適用性，使其成為工業(yè)應(yīng)用的寶貴工具。

YOLOv7

雖然從技術(shù)上講，YOLOv6 是在 YOLOv7 之前引入的，但 YOLOv6 的生產(chǎn)版本是在 YOLOv7 之后推出的，并在性能上超越了它。然而，YOLOv7 引入了一個(gè)新穎的概念，稱其為可訓(xùn)練的免費(fèi)贈(zèng)品袋 （BoF）。這包括一系列細(xì)粒度的改進(jìn)，而不是徹底的改革。

這些改進(jìn)主要集中在優(yōu)化訓(xùn)練過程和增強(qiáng)模型學(xué)習(xí)有效表示的能力，而不會(huì)顯著增加計(jì)算成本。以下是 YOLOv7 引入的一些主要功能。

• 模型重新參數(shù)化：YOLOv7 提出了一個(gè)有計(jì)劃的重新參數(shù)化模型，這是一種適用于不同網(wǎng)絡(luò)中的層的策略，具有梯度傳播路徑的概念。

• 動(dòng)態(tài)標(biāo)簽分配：使用多個(gè)輸出層訓(xùn)練模型會(huì)帶來一個(gè)新問題：“如何為不同分支的輸出分配動(dòng)態(tài)目標(biāo)？為了解決這個(gè)問題，YOLOv7 引入了一種新的標(biāo)簽分配方法，稱為粗到細(xì)鉛引導(dǎo)標(biāo)簽分配。

• 擴(kuò)展和復(fù)合縮放：YOLOv7 為對(duì)象檢測(cè)器提出了“擴(kuò)展”和“復(fù)合縮放”方法，可以有效地利用參數(shù)和計(jì)算。

YOLOv7 專注于精細(xì)的細(xì)化和優(yōu)化策略，以增強(qiáng)實(shí)時(shí)對(duì)象檢測(cè)器的性能。它強(qiáng)調(diào)可訓(xùn)練的免費(fèi)贈(zèng)品袋、深度監(jiān)督和架構(gòu)改進(jìn)，從而在不犧牲速度的情況下顯著提高準(zhǔn)確性，使其成為 YOLO 系列中的寶貴進(jìn)步。然而，進(jìn)化繼續(xù)產(chǎn)生 YOLOv8，這是我們接下來的主題。

YOLOv8

YOLOv8 是 YOLO 系列實(shí)時(shí)對(duì)象檢測(cè)器的迭代版本，在準(zhǔn)確性和速度方面提供尖端性能。但是，YOLOv8 沒有官方論文，但與 YOLOv5 類似，這是一個(gè)用戶友好的增強(qiáng)型 YOLO 對(duì)象檢測(cè)模型。YOLOv8 由 Ultralytics 開發(fā)，引入了新功能和優(yōu)化，使其成為各種應(yīng)用中各種對(duì)象檢測(cè)任務(wù)的理想選擇。以下是其功能的快速概述。

• 高級(jí) Backbone 和 Neck 架構(gòu)

• 無錨分體式 Ultralytics 頭：YOLOv8 采用無錨分體式 Ultralytics 頭，與基于錨的方法相比，這有助于提高準(zhǔn)確性和更高效的檢測(cè)過程。

• 優(yōu)化的準(zhǔn)確性-速度權(quán)衡

除此之外，YOLOv8 還是 Ultralytics 維護(hù)良好的模型，提供了多種模型，每個(gè)模型都專門用于計(jì)算機(jī)視覺中的特定任務(wù)，如檢測(cè)、分割、分類和姿勢(shì)檢測(cè)。由于 YOLOv8 通過 Ultralytics 庫易于使用，讓我們?cè)谘菔局袊L試一下。

YOLOv8 模型在各種基準(zhǔn)測(cè)試數(shù)據(jù)集中實(shí)現(xiàn)了 SOTA 性能。例如， YOLOv8n 模型在 COCO 數(shù)據(jù)集上實(shí)現(xiàn)了 37.3 的 mAP （平均精度均值），在 A100 TensorRT 上實(shí)現(xiàn)了 0.99 毫秒的速度。接下來，讓我們看看 YOLO 家族是如何通過 YOLOv9 進(jìn)一步演變的。

YOLOv9

與其前輩相比，YOLOv9 采用了不同的方法，直接解決了深度神經(jīng)網(wǎng)絡(luò)中的信息丟失問題。它引入了可編程梯度信息 （PGI） 的概念和一種稱為廣義高效層聚合網(wǎng)絡(luò) （GELAN） 的新架構(gòu)，以應(yīng)對(duì)信息瓶頸并確保訓(xùn)練期間可靠的梯度流。

研究人員之所以引入 YOLOv9，是因?yàn)楝F(xiàn)有的方法忽略了這樣一個(gè)事實(shí)，即當(dāng)輸入數(shù)據(jù)進(jìn)行逐層特征提取和空間變換時(shí)，會(huì)丟失大量信息。這種信息丟失會(huì)導(dǎo)致梯度不可靠，并阻礙模型學(xué)習(xí)準(zhǔn)確表示的能力。

YOLOv9 引入了 PGI，這是一種通過使用輔助可逆分支生成可靠梯度的新方法。此輔助分支為計(jì)算目標(biāo)函數(shù)提供了完整的輸入信息，從而確保用于更新網(wǎng)絡(luò)權(quán)重的梯度信息量更大。輔助分支的可逆性質(zhì)確保在前饋過程中不會(huì)丟失任何信息。

YOLOv9 還提出了 GELAN 作為一種新的輕量級(jí)架構(gòu)，旨在最大化信息流并促進(jìn)獲取相關(guān)信息以進(jìn)行預(yù)測(cè)。GELAN 是 ELAN 架構(gòu)的通用版本，利用任何計(jì)算塊，同時(shí)保持效率和性能。研究人員基于梯度路徑規(guī)劃設(shè)計(jì)了它，確保了通過網(wǎng)絡(luò)的高效信息流。

YOLOv9 通過關(guān)注信息流和梯度質(zhì)量，為對(duì)象檢測(cè)提供了全新的視角。PGI 和 GELAN 的推出使 YOLOv9 有別于其前身。這種對(duì)深度神經(jīng)網(wǎng)絡(luò)中信息處理基礎(chǔ)知識(shí)的關(guān)注可以提高性能，并更好地解釋對(duì)象檢測(cè)中學(xué)習(xí)過程。

YOLOv10

YOLOv10 的推出對(duì)于實(shí)時(shí)端到端對(duì)象檢測(cè)具有革命性意義。YOLOv10 超越了之前的所有速度和精度基準(zhǔn)，實(shí)現(xiàn)了真正的實(shí)時(shí)對(duì)象檢測(cè)。YOLOv10 無需使用 NMS 檢測(cè)進(jìn)行非極大值抑制 （NMS） 后處理。

這不僅提高了推理速度，還簡(jiǎn)化了部署過程。YOLOv10 引入了一些關(guān)鍵功能，例如無 NMS 培訓(xùn)和整體設(shè)計(jì)方法，使其在所有指標(biāo)上都表現(xiàn)出色。

• 無 NMS 檢測(cè)：YOLOv10 提供了一種基于一致雙重分配的新穎無 NMS 訓(xùn)練策略。它采用雙標(biāo)簽分配（一對(duì)多和一對(duì)一）和一致的匹配指標(biāo)，在訓(xùn)練期間提供豐富的監(jiān)督，同時(shí)在推理過程中消除 NMS。在推理過程中，僅使用 1 對(duì) 1 頭，從而實(shí)現(xiàn)無 NMS 檢測(cè)。

• 整體效率-精度驅(qū)動(dòng)設(shè)計(jì)：YOLOv10 采用整體方法進(jìn)行模型設(shè)計(jì)，優(yōu)化各種組件以提高效率和準(zhǔn)確性。它引入了輕量級(jí)分類頭、空間通道解耦下采樣和秩導(dǎo)向塊設(shè)計(jì)，以降低計(jì)算成本。

YOLO11：體系結(jié)構(gòu)增強(qiáng)功能

YOLO11 于 2024 年 9 月發(fā)布。它經(jīng)歷了一系列架構(gòu)改進(jìn)，并專注于在不犧牲準(zhǔn)確性的情況下提高計(jì)算效率。

它引入了 C3k2 塊和 C2PSA 塊等新型組件，有助于改進(jìn)特征提取和處理。這會(huì)導(dǎo)致性能略好，但模型的參數(shù)要少得多。以下是 YOLO11 的主要功能。

• C3k2 模塊：YOLO11 引入了 C3k2 模塊，這是一種跨階段部分 （CSP） 瓶頸的計(jì)算高效實(shí)現(xiàn)。它取代了 backbone 和 neck 中的 C2f 塊，并采用兩個(gè)較小的卷積而不是一個(gè)大型卷積，從而減少了處理時(shí)間。

• C2PSA 模塊：在 Spatial Pyramid Pooling – Fast （SPPF） 模塊之后引入跨階段部分空間注意力 （C2PSA） 模塊，以增強(qiáng)空間注意力。這種注意力機(jī)制使模型能夠更有效地關(guān)注圖像中的重要區(qū)域，從而有可能提高檢測(cè)準(zhǔn)確性。

有了這個(gè)，我們討論了整個(gè) YOLO 系列的對(duì)象檢測(cè)模型。但有一件事告訴我，進(jìn)化不會(huì)就此止步，創(chuàng)新將繼續(xù)，我們將在未來看到更好的表現(xiàn)。

YOLO 模型的未來

YOLO 系列一直在突破計(jì)算機(jī)視覺的界限。它已經(jīng)從一個(gè)簡(jiǎn)單的架構(gòu)演變成一個(gè)復(fù)雜的系統(tǒng)。每個(gè)版本都引入了新的功能并擴(kuò)展了支持的任務(wù)范圍。

展望未來，提高準(zhǔn)確性、速度和多任務(wù)能力的趨勢(shì)可能會(huì)繼續(xù)下去。潛在的發(fā)展領(lǐng)域包括以下內(nèi)容。

• 改進(jìn)的可解釋性：使模型的決策過程更加透明。

• 增強(qiáng)的穩(wěn)健性：使模型對(duì)具有挑戰(zhàn)性的條件更具彈性。

• 高效部署：針對(duì)各種硬件平臺(tái)優(yōu)化模型。

YOLO 模型的進(jìn)步對(duì)各個(gè)行業(yè)都有重大影響。YOLO 執(zhí)行實(shí)時(shí)對(duì)象檢測(cè)的能力有可能改變我們與視覺世界的交互方式。但是，解決道德考慮和潛在偏見很重要。確保公平、問責(zé)和透明對(duì)于負(fù)責(zé)任的創(chuàng)新至關(guān)重要。