收藏 | YOLO 系目标检测算法家族全景图！

点上方计算机视觉联盟获取更多干货

仅作学术分享，不代表本公众号立场，侵权联系删除

转载于：AI干货知识库 

AI博士笔记系列推荐

周志华《机器学习》手推笔记正式开源！可打印版本附pdf下载链接

YOLO目标检测算法诞生于2015年6月，从出生的那一天起就是“高精度、高效率、高实用性”目标检测算法的代名词。

在原作者Joseph Redmon博士手中YOLO经历了三代到YOLOv3，今年初Joseph Redmon宣告退出计算机视觉研究界后，YOLOv4、YOLOv5相继而出，且不论谁是正统，这YOLO算法家族在创始人拂袖而出后依然热闹非凡。

本文带领大家细数在此名门之中自带“YOLO”的算法，总计 23 项工作，它们有的使YOLO更快，有的使YOLO更精准，有的扩展到了3D点云、水下目标检测、有的则在FPGA、CPU、树莓派上大显身手，甚至还有的进入了语音处理识别领域。

而几乎所有YOLO系算法都力图保持高精度、高效率、高实用性，这也许就是工业界偏爱YOLO的理由吧！

YOLOv1  开山鼻祖之作

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 AI；FAIR

• 论文：( https://arxiv.org/abs/1506.02640 )

• 引用 | 10222

• 主页：( https://pjreddie.com/darknet/yolo/ )

• 时间：2015 年 6 月 8 日

标准版本的YOLO在Titan X 的 GPU 上能达到 45 FPS。更快的 Fast YOLO 检测速度可以达到 155 FPS。

YOLOv2

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 )

• 引用 | 5168

• 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）。

通过联合训练策略，可实现9000多种物体的实时检测，总体mAP值为19.7。

YOLOv3

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 )

• 引用 | 3363

• 主页：( https://pjreddie.com/darknet/yolo/ )

• Star | 18.3K

• 时间：2018 年 4 月 8 日

在320×320 YOLOv3运行22.2ms，28.2 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。

YOLOv4 目标检测tricks集大成者

YOLOv4: Optimal Speed and Accuracy of Object Detection

• 作者：Alexey Bochkovskiy；Chien-Yao Wang；Hong-Yuan Mark Liao

• 单位：(中国台湾)中央研究院

• 论文：( https://arxiv.org/pdf/2004.10934v1.pdf )

• 引用 | 17

• 代码：( https://github.com/AlexeyAB/darknet )

• Star | 11.9K

• 时间：2020 年 4 月 24

在MS COCO 数据集 实现 43.5% AP (65.7% AP50 )， 速度也更快了，在Tesla V100 GPU上 ∼65 FPS！

YOLOv5 

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

Fast YOLO

Fast YOLO: A Fast You Only Look Once System for Real-time Embedded Object Detection in Video

• 作者：Mohammad Javad Shafiee, Brendan Chywl, Francis Li, Alexander Wong

• 单位：滑铁卢大学

• 论文：https://arxiv.org/abs/1709.05943 ( https://arxiv.org/abs/1709.05943 )

• 引用 | 53

• 时间：2017 年 9 月 18 日

Complex-YOLO

Complex-YOLO: An Euler-Region-Proposal for Real-time 3D Object Detection on Point Clouds

• 作者：Martin Simon, Stefan Milz, Karl Amende, Horst-Michael Gross

• 单位：伊尔梅瑙工业大学

• 论文：( https://arxiv.org/abs/1803.06199 )

• 引用 | 65

• 代码:( https://github.com/ghimiredhikura/Complex-YOLOv3（非官方 )

• Star | 95(非官方)

• 代码:（基于 v4 ( https://github.com/maudzung/Complex-YOLOv4-Pytorch（基于 v4 )）

• Star | 442（基于 v4）

• 时间：2018 年 3 月 16 日

基于YOLOv2的一个变种,用于点云3D目标检测。

MV-YOLO

MV-YOLO: Motion Vector-aided Tracking by Semantic Object Detection

• 作者：Saeed Ranjbar Alvar, Ivan V. Bajić

• 单位：西蒙弗雷泽大学

• 论文：( https://arxiv.org/abs/1805.00107 )

• 引用 | 10

• 时间：2018 年 4 月 30 日

一种结合压缩视频中的运动信息和YOLO目标检测的目标跟踪算法。

YOLO3D

YOLO3D: End-to-end real-time 3D Oriented Object Bounding Box Detection from LiDAR Point Cloud

• 作者：Waleed Ali, Sherif Abdelkarim, Mohamed Zahran, Mahmoud Zidan, Ahmad El Sallab

• 单位：Valeo AI Research, Egypt

• 论文：( https://arxiv.org/abs/1808.02350 )

• 引用 | 26

• 备注：ECCV 2018 Workshop

• 时间：2018 年 8 月 7 日

YOLO-LITE

YOLO-LITE: A Real-Time Object Detection Algorithm Optimized for Non-GPU Computers

• 作者：Jonathan Pedoeem, Rachel Huang

• 单位：佐治亚理工学院等

• 论文：( https://arxiv.org/abs/1811.05588 )

• 引用 | 73

• 代码：( https://reu2018dl.github.io/ )

• Star | 336

• 时间：2018 年 11 月 14 日

YOLO-LITE 是 YOLOv2-tiny 的Web实现，在 MS COCO 2014 和 PASCAL VOC 2007 + 2012 数据集上训练。在 Dell XPS 13 机器上可达到 21 FPS ,VOC 数据集上达到33.57 mAP。

Spiking-YOLO

Spiking-YOLO: Spiking Neural Network for Energy-Efficient Object Detection

• 作者：Seijoon Kim, Seongsik Park, Byunggook Na, Sungroh Yoon

• 单位：首尔大学

• 论文：( https://arxiv.org/abs/1903.06530 )

• 引用 | 3

• 备注：AAAI 2020

• 时间：2019 年 3 月 12 日

该文第一次将脉冲神经网络用于目标检测，虽然精度不高，但相比Tiny_YOLO 耗能更少。（研究意义大于实际应用意义）

DC-SPP-YOLO

DC-SPP-YOLO: Dense Connection and Spatial Pyramid Pooling Based YOLO for Object Detection

• 作者：Zhanchao Huang, Jianlin Wang

• 单位：北京化工大学

• 论文：( https://arxiv.org/abs/1903.08589 )

• 引用 | 8

• 时间：2019 年 3 月 20 日

该作提出一种DC-SPP-YOLO(基于YOLO的密集连接和空间金字塔池化技术)的方法来改善YOLOv2的目标检测精度。

SpeechYOLO

SpeechYOLO: Detection and Localization of Speech Objects

• 作者：Yael Segal, Tzeviya Sylvia Fuchs, Joseph Keshet

• 单位：巴伊兰大学

• 论文：( https://arxiv.org/abs/1904.07704 )

• 引用 | 2

• 时间：2019 年 4 月 14 日

YOLO算法启发的语音处理识别算法。

SpeechYOLO的目标是在输入信号中定位语句的边界，并对其进行正确分类。受YOLO算法在图像中进行目标检测的启发所提出的方法。

Complexer-YOLO

Complexer-YOLO: Real-Time 3D Object Detection and Tracking on Semantic Point Clouds

• 作者：Martin Simon, Karl Amende, Andrea Kraus, Jens Honer, Timo Sämann, Hauke Kaulbersch, Stefan Milz, Horst Michael Gross

• 单位：伊尔梅瑙工业大学等

• 论文：( https://arxiv.org/abs/1904.07537 )

• 引用 | 24

• 时间：2019 年 4 月 16 日

Complex-YOLO的改进版，用于实时点云3D目标检测与跟踪，推断速度加速20%，训练时间减少50%。

SlimYOLOv3

SlimYOLOv3: Narrower, Faster and Better for UAV Real-Time Applications

• 作者：Pengyi Zhang, Yunxin Zhong, Xiaoqiong Li

• 单位：北理工

• 论文：( https://arxiv.org/abs/1907.11093 )

• 引用 | 18

• 代码：( https://github.com/PengyiZhang/SlimYOLOv3 )

• Star | 953

• 时间：2019 年 7 月 15 日

该文对YOLOv3的卷积层通道剪枝，大幅削减了模型的计算量(~90.8% decrease of FLOPs)和参数量( ~92.0% decline of parameter size)，剪枝后的模型在基本保持原模型的检测精度同时，运行速度约为原来的两倍。

REQ-YOLO

REQ-YOLO: A Resource-Aware, Efficient Quantization Framework for Object Detection on FPGAs

• 作者：Caiwen Ding, Shuo Wang, Ning Liu, Kaidi Xu, Yanzhi Wang, Yun Liang

• 单位：北大；东北大学；鹏城实验室

• 论文：( https://arxiv.org/abs/1909.13396 )

• 引用 | 14

• 时间：2019 年 9 月 29 日

Tiny-YOLO的 FPGA 实现，REQ-YOLO速度可高达200~300 FPS！

YOLO Nano

YOLO Nano: a Highly Compact You Only Look Once Convolutional Neural Network for Object Detection

• 作者：Alexander Wong, Mahmoud Famuori, Mohammad Javad Shafiee, Francis Li, Brendan Chwyl, Jonathan Chung

• 单位：滑铁卢大学；DarwinAI Corp

• 论文：( https://arxiv.org/abs/1910.01271 )

• 引用 | 6

• 时间：2019 年 10 月 3 日

YOLO Nano 比 Tiny YOLOv2 和 Tiny YOLOv3更小，更快，mAP更高！模型仅4.0MB。在 NVIDIA Jetson Xavier上速度竟高达26.9~48.2 FPS！

xYOLO

xYOLO: A Model For Real-Time Object Detection In Humanoid Soccer On Low-End Hardware

• 作者：Daniel Barry, Munir Shah, Merel Keijsers, Humayun Khan, Banon Hopman

• 单位：坎特伯雷大学

• 论文：( https://arxiv.org/abs/1910.03159 )

• 引用 | 3

• 时间：2019 年 10 月 7 日

该工作所提出的 xYOLO 是从 YOLO v3 tiny 变化而来，xYOLO比Tiny-YOLO快了70倍！在树莓派3B上速度9.66 FPS！模型仅0.82 MB大小，这可能是速度最快模型最小的YOLO变种。

IFQ-Tinier-YOLO

IFQ-Net: Integrated Fixed-point Quantization Networks for Embedded Vision

• 作者：Hongxing Gao, Wei Tao, Dongchao Wen, Tse-Wei Chen, Kinya Osa, Masami Kato

• 单位：Canon Information Technology (Beijing) Co., LTD；Device Technology Development Headquarters, Canon Inc.

• 论文：( https://arxiv.org/abs/1911.08076 )

• 时间：2019 年 11 月 19 日

该工作一部分基于YOLOv2，设计了IFQ-Tinier-YOLO人脸检测器，它是一个定点网络，比Tiny-YOLO减少了256倍的模型大小（246k Bytes）。

DG-YOLO

WQT and DG-YOLO: towards domain generalization in underwater object detection

• 作者：Hong Liu, Pinhao Song, Runwei Ding

• 单位：北大；鹏城实验室

• 论文：( https://arxiv.org/abs/2004.06333 )

• 时间：2020 年 4 月 14 日

该工作旨在研究水下目标检测数据，因为水下目标的数据比较少，提出了新的水质迁移的数据增广方法和YOLO新变种：DG-YOLO ，该算法由 YOLOv3, DIM 和 IRM penalty 组成。

Poly-YOLO

Poly-YOLO: higher speed, more precise detection and instance segmentation for YOLOv3

• 作者：Petr Hurtik, Vojtech Molek, Jan Hula, Marek Vajgl, Pavel Vlasanek, Tomas Nejezchleba

• 单位：奥斯特拉发大学；Varroc Lighting Systems

• 论文：( https://arxiv.org/abs/2005.13243 )

• 解读：mAP 提升 40%！YOLO3 改进版—— Poly-YOLO：更快，更精确的检测和实例分割

• 代码：( https://gitlab.com/irafm-ai/poly-yolo )

• 时间：2020 年 5 月 27 日

基于YOLOv3，支持实例分割，检测mAP提升40%！

E-YOLO

Expandable YOLO: 3D Object Detection from RGB-D Images

• 作者：Masahiro Takahashi, Alessandro Moro, Yonghoon Ji, Kazunori Umeda

• 单位：（日本）中央大学；RITECS Inc

• 论文：( https://arxiv.org/abs/2006.14837 )

• 时间：2020 年 6 月 26 日

YOLOv3的变种，构建了一个轻量级的目标检测器，从RGBD-D立体摄像机输入深度和彩色图像。该模型的处理速度为44.35fps（GPU: NVIDIA RTX 2080 and CPU: Intel Core i7 8700K）。

PP-YOLO

PP-YOLO: An Effective and Efficient Implementation of Object Detector

• 作者：Xiang Long, Kaipeng Deng, Guanzhong Wang, Yang Zhang, Qingqing Dang, Yuan Gao, Hui Shen, Jianguo Ren, Shumin Han, Errui Ding, Shilei Wen

• 单位：百度

• 论文：( https://arxiv.org/abs/2007.12099 )

• 解读：( https://zhuanlan.zhihu.com/p/163565906 )

• 代码：( https://github.com/PaddlePaddle/PaddleDetection )

• 时间：2020 年 7 月 23 日

PP-YOLO由在YOLOv3上添加众多tricks“组合式创新”得来，从下图前两列中可看到其使用的技术：

PP-YOLOYOLOv4和谷歌EfficientDet，是更加实用的目标检测算法。

-------------------

END

--------------------

我是王博Kings，985AI博士，华为云专家、CSDN博客专家（人工智能领域优质作者）。单个AI开源项目现在已经获得了2100+标星。现在在做AI相关内容，欢迎一起交流学习、生活各方面的问题，一起加油进步！

我们微信交流群涵盖以下方向（但并不局限于以下内容）：人工智能，计算机视觉，自然语言处理，目标检测，语义分割，自动驾驶，GAN，强化学习，SLAM，人脸检测，最新算法，最新论文，OpenCV，TensorFlow，PyTorch，开源框架，学习方法...

这是我的私人微信，位置有限，一起进步！

王博的公众号，欢迎关注，干货多多

王博Kings的系列手推笔记（附高清PDF下载）：

博士笔记 | 周志华《机器学习》手推笔记第一章思维导图

博士笔记 | 周志华《机器学习》手推笔记第二章“模型评估与选择”

博士笔记 | 周志华《机器学习》手推笔记第三章“线性模型”

博士笔记 | 周志华《机器学习》手推笔记第四章“决策树”

博士笔记 | 周志华《机器学习》手推笔记第五章“神经网络”

博士笔记 | 周志华《机器学习》手推笔记第六章支持向量机（上）

博士笔记 | 周志华《机器学习》手推笔记第六章支持向量机（下）

博士笔记 | 周志华《机器学习》手推笔记第七章贝叶斯分类（上）

博士笔记 | 周志华《机器学习》手推笔记第七章贝叶斯分类（下）

博士笔记 | 周志华《机器学习》手推笔记第八章集成学习（上）

博士笔记 | 周志华《机器学习》手推笔记第八章集成学习（下）

博士笔记 | 周志华《机器学习》手推笔记第九章聚类

博士笔记 | 周志华《机器学习》手推笔记第十章降维与度量学习

博士笔记 | 周志华《机器学习》手推笔记第十一章稀疏学习

博士笔记 | 周志华《机器学习》手推笔记第十二章计算学习理论

博士笔记 | 周志华《机器学习》手推笔记第十三章半监督学习

博士笔记 | 周志华《机器学习》手推笔记第十四章概率图模型

点分享

点收藏

点点赞

点在看