《------往期经典推荐------》
一、AI应用软件开发实战专栏【链接】
项目名称项目名称1.【人脸识别与管理系统开发】2.【车牌识别与自动收费管理系统开发】3.【手势识别系统开发】4.【人脸面部活体检测系统开发】5.【图片风格快速迁移软件开发】6.【人脸表表情识别系统】7.【YOLOv8多目标识别与自动标注软件开发】8.【基于YOLOv8深度学习的行人跌倒检测系统】9.【基于YOLOv8深度学习的PCB板缺陷检测系统】10.【基于YOLOv8深度学习的生活垃圾分类目标检测系统】11.【基于YOLOv8深度学习的安全帽目标检测系统】12.【基于YOLOv8深度学习的120种犬类检测与识别系统】13.【基于YOLOv8深度学习的路面坑洞检测系统】14.【基于YOLOv8深度学习的火焰烟雾检测系统】15.【基于YOLOv8深度学习的钢材表面缺陷检测系统】16.【基于YOLOv8深度学习的舰船目标分类检测系统】17.【基于YOLOv8深度学习的西红柿成熟度检测系统】18.【基于YOLOv8深度学习的血细胞检测与计数系统】19.【基于YOLOv8深度学习的吸烟/抽烟行为检测系统】20.【基于YOLOv8深度学习的水稻害虫检测与识别系统】21.【基于YOLOv8深度学习的高精度车辆行人检测与计数系统】22.【基于YOLOv8深度学习的路面标志线检测与识别系统】23.【基于YOLOv8深度学习的智能小麦害虫检测识别系统】24.【基于YOLOv8深度学习的智能玉米害虫检测识别系统】25.【基于YOLOv8深度学习的200种鸟类智能检测与识别系统】26.【基于YOLOv8深度学习的45种交通标志智能检测与识别系统】27.【基于YOLOv8深度学习的人脸面部表情识别系统】28.【基于YOLOv8深度学习的苹果叶片病害智能诊断系统】29.【基于YOLOv8深度学习的智能肺炎诊断系统】30.【基于YOLOv8深度学习的葡萄簇目标检测系统】31.【基于YOLOv8深度学习的100种中草药智能识别系统】32.【基于YOLOv8深度学习的102种花卉智能识别系统】33.【基于YOLOv8深度学习的100种蝴蝶智能识别系统】34.【基于YOLOv8深度学习的水稻叶片病害智能诊断系统】35.【基于YOLOv8与ByteTrack的车辆行人多目标检测与追踪系统】36.【基于YOLOv8深度学习的智能草莓病害检测与分割系统】37.【基于YOLOv8深度学习的复杂场景下船舶目标检测系统】38.【基于YOLOv8深度学习的农作物幼苗与杂草检测系统】39.【基于YOLOv8深度学习的智能道路裂缝检测与分析系统】40.【基于YOLOv8深度学习的葡萄病害智能诊断与防治系统】41.【基于YOLOv8深度学习的遥感地理空间物体检测系统】42.【基于YOLOv8深度学习的无人机视角地面物体检测系统】43.【基于YOLOv8深度学习的木薯病害智能诊断与防治系统】44.【基于YOLOv8深度学习的野外火焰烟雾检测系统】45.【基于YOLOv8深度学习的脑肿瘤智能检测系统】46.【基于YOLOv8深度学习的玉米叶片病害智能诊断与防治系统】47.【基于YOLOv8深度学习的橙子病害智能诊断与防治系统】48.【基于深度学习的车辆检测追踪与流量计数系统】49.【基于深度学习的行人检测追踪与双向流量计数系统】50.【基于深度学习的反光衣检测与预警系统】51.【基于深度学习的危险区域人员闯入检测与报警系统】52.【基于深度学习的高密度人脸智能检测与统计系统】53.【基于深度学习的CT扫描图像肾结石智能检测系统】54.【基于深度学习的水果智能检测系统】55.【基于深度学习的水果质量好坏智能检测系统】56.【基于深度学习的蔬菜目标检测与识别系统】57.【基于深度学习的非机动车驾驶员头盔检测系统】58.【太基于深度学习的阳能电池板检测与分析系统】59.【基于深度学习的工业螺栓螺母检测】60.【基于深度学习的金属焊缝缺陷检测系统】61.【基于深度学习的链条缺陷检测与识别系统】62.【基于深度学习的交通信号灯检测识别】63.【基于深度学习的草莓成熟度检测与识别系统】64.【基于深度学习的水下海生物检测识别系统】65.【基于深度学习的道路交通事故检测识别系统】66.【基于深度学习的安检X光危险品检测与识别系统】67.【基于深度学习的农作物类别检测与识别系统】68.【基于深度学习的危险驾驶行为检测识别系统】69.【基于深度学习的维修工具检测识别系统】70.【基于深度学习的维修工具检测识别系统】71.【基于深度学习的建筑墙面损伤检测系统】72.【基于深度学习的煤矿传送带异物检测系统】73.【基于深度学习的老鼠智能检测系统】74.【基于深度学习的水面垃圾智能检测识别系统】75.【基于深度学习的遥感视角船只智能检测系统】76.【基于深度学习的胃肠道息肉智能检测分割与诊断系统】77.【基于深度学习的心脏超声图像间隔壁检测分割与分析系统】78.【基于深度学习的心脏超声图像间隔壁检测分割与分析系统】79.【基于深度学习的果园苹果检测与计数系统】80.【基于深度学习的半导体芯片缺陷检测系统】81.【基于深度学习的糖尿病视网膜病变检测与诊断系统】82.【基于深度学习的运动鞋品牌检测与识别系统】83.【基于深度学习的苹果叶片病害检测识别系统】84.【基于深度学习的医学X光骨折检测与语音提示系统】85.【基于深度学习的遥感视角农田检测与分割系统】
二、机器学习实战专栏【链接】，已更新31期，欢迎关注，持续更新中~~ 三、深度学习【Pytorch】专栏【链接】 四、【Stable Diffusion绘画系列】专栏【链接】 五、YOLOv8改进专栏【链接】，持续更新中~~ 六、YOLO性能对比专栏【链接】，持续更新中~
《------正文------》
目录
引言一图看尽目标检测发展YOLO系列发展时间线YOLO系列综述研究YOLOv1-v10 结构简图YOLOv11结构图YOLOv10结构图YOLOv9结构图YOLOv8结构图YOLOv7-v6-v5YOLOv4 && YOLOv3YOLOv2 && YOLOv1
YOLO系列信息汇总YOLO系列论文代码信息汇总YOLOv1YOLOv2 YOLO9000YOLOv3YOLOv4YOLOv5YOLOv6YOLOv7YOLOv8YOLOv9YOLO v10YOLO v11YOLO v12
性能对比示例整体性能对比表格mAP50与mAP50-95对比Recall与Precision对比推理时间计算量对比
优缺点汇总实现框架
引言
本文分享的是yolo系列的目标检测综述文章，供相关领域同学参考学习。从2015年YOLO提出单阶段目标检测，到2025年以注意力机制为核心的YOLOv12框架，显示单阶段目标检测结构的蓬勃发展和性能优势。【所有文章均已打包，末尾免费获取！】
一图看尽目标检测发展
在时间维度上，比较YOLO系列目标检测的发展，以及其在传统目标检测，基于深度学习方法的目标检测；从单阶段，多阶段等角度，概述了YOLO所处的位置。
YOLO系列发展时间线
YOLO系列综述研究
YOLOv1-v10 结构简图
YOLOv11结构图
YOLOv10结构图
YOLOv9结构图
YOLOv8结构图
YOLOv7-v6-v5
YOLOv4 && YOLOv3
YOLOv2 && YOLOv1
YOLO系列信息汇总
YOLO系列论文代码信息汇总
YOLOv1
论文：“You Only Look Once: Unified, Real-Time Object Detection” 论文地址: https://www.cv-foundation.org/openaccess/content_cvpr_2016/papers/Redmon_You_Only_Look_CVPR_2016_paper.pdf
主要优化点： 将目标检测任务转化为单次前向传播问题，显著提升检测速度 能够以45 FPS的速度处理图像，有一个更快的版本可以达到155 FPS 限制：在小物体检测上的精度较差，且定位误差较高。
YOLOv2 YOLO9000
论文：“YOLO9000: Better, Faster, Stronger”
论文地址: https://arxiv.org/pdf/1612.08242
代码地址: https://pjreddie.com/darknet/yolo/ 主要优化点： 能够检测9000种类别物体 多尺度训练增强模型鲁棒性 引入anchor boxes改进对小物体的检测能力
YOLOv3
论文： “YOLOv3: An Incremental Improvement”
论文地址： https://arxiv.org/pdf/1804.02767
代码地址: https://pjreddie.com/yolo/ 主要优化点： 引入Darknet-53作为主干网络，结合残差网络提高检测精度 多尺度预测改善对小物体的检测 取消软分类器，使用独立的二元分类器提高性能
YOLOv4
论文：“YOLOv4: Optimal Speed and Accuracy of Object Detection”
论文地址: https://arxiv.org/pdf/2004.10934 代码地址: https://github.com/AlexeyAB/darknet 主要优化点： 提出Bag of Freebies和Bag of Specials优化策略，提高模型精度 CSPDarknet53更高效的主干网络，提升网络推理速度和精度 引入CIoU损失函数提高边界框回归性能
YOLOv5
无论文发表，开源地址https://github.com/ultralytics/yolov5
主要优化点： YOLOv5转向Pytorch框架，便于开发者使用和扩展 自适应的anchor box学习机制提高检测效率 提供多种尺寸的预训练模型满足不同场景需求
YOLOv6
论文： “YOLOv6: A Single-Stage Object Detection Framework for Industrial Applications”
论文地址：https://arxiv.org/pdf/2209.02976
代码地址：https://github.com/meituan/YOLOv6
主要优化点： 针对行业应用优化，尤其注重推理速度 引入EfficientRep带来更高效的网络架构 优化模型部署性能，适合工业环境中的大规模应用
YOLOv7
论文：YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors 论文地址 https://openaccess.thecvf.com/content/CVPR2023/papers/Wang_YOLOv7_Trainable_Bag-of-Freebies_Sets_New_State-of-the-Art_for_Real-Time_Object_Detectors_CVPR_2023_paper.pdf 代码地址： https://github.com/ WongKinYiu/yolov7. 主要优化点： 在COCO数据集上达到新的速度与精度平衡 跨尺度特征融合提高对不同尺度物体的检测能力 改进训练过程中的标签分配方式提高训练效率
YOLOv8
发布日期：2023年1月 作者：Ultralytics团队 无论文发表，开源地址：[https://github.com/ultralytics/ultralytics]
主要优化点： 提供可定制的模块化设计方便用户根据需求进行扩展 内置多种训练和超参数优化策略简化模型调优过程 集成检测、分割和跟踪功能
YOLOv9
发布日期：2024年2月 作者/贡献者：WongKinYiu等 论文：YOLOv9: Learning What You Want to Learn Using Programmable Gradient Information 论文地址 https://arxiv.org/pdf/2402.13616
代码地址：https://github.com/WongKinYiu/yolov9 主要优化点： 可编程梯度信息(PGI)+广义高效层聚合网络(GELAN)。 与YOLOv8相比，其出色的设计使深度模型的参数数量减少了49%，计算量减少了43%，但在MS COCO数据集上仍有0.6%的AP改进。
YOLO v10
发布日期：2024年5月 作者：清华大学 论文：YOLOv10: Real-Time End-to-End Object Detection 论文地址： https://arxiv.org/pdf/2405.14458 代码地址： https://github.com/THU-MIG/yolov10 主要优化点： 实时端到端的对象检测，主要在速度和性能方面的提升
YOLO v11
发布日期：2024年9月 作者：Ultralytics团队 无论文发表，开源地址：https://github.com/ultralytics/ultralytics 主要优化点： YOLOv11继承自YOLOv8，在YOLOv8基础上进行了改进，使同等精度下参数量降低20%，在速度和准确性方面具有无与伦比的性能。 其流线型设计使其适用于各种应用，并可轻松适应从边缘设备到云 API 等不同硬件平台。使其成为各种物体检测与跟踪、实例分割、图像分类和姿态估计任务的绝佳选择。
YOLO v12
YOLOv12: Attention-Centric Real-Time Object Detectors 代码地址: https://github.com/sunsmarterjie/yolov12 主要优化点: 首次把注意力机制引入单阶段目标检测框架并在速度和性能上取得新的突破。为单阶段目标检测领域开辟新的战场。
性能对比示例
参考文章： the Evolution of YOLO (You Only LookOnce) Models: A Comprehensive Benchmark Study of YOLO11 and Its Predecessors
在非洲野生动物数据集（Africa Wildlife Dataset）上的各项性能对比示例。
整体性能对比表格
mAP50与mAP50-95对比
Recall与Precision对比
推理时间
计算量对比
优缺点汇总
实现框架
文章中的相关文章，已经打包整理，需要的小伙伴可自行获取。
好了，这篇文章就介绍到这里，喜欢的小伙伴感谢给点个赞和关注，更多精彩内容持续更新~~ 关于本篇文章大家有任何建议或意见，欢迎在评论区留言交流！