- YOLOv3: The third iteration of the YOLO model family, originally by Joseph Redmon, known for its efficient real-time object detection capabilities.
- YOLOv4: A darknet-native update to YOLOv3, released by Alexey Bochkovskiy in 2020.
- YOLOv5: An improved version of the YOLO architecture by Ultralytics, offering better performance and speed trade-offs compared to previous versions.
- YOLOv6: Released by Meituan in 2022, and in use in many of the company's autonomous delivery robots.
- YOLOv7: Updated YOLO models released in 2022 by the authors of YOLOv4.
- YOLOv8 NEW 🚀: The latest version of the YOLO family, featuring enhanced capabilities such as instance segmentation, pose/keypoints estimation, and classification.
- YOLOv9: An experimental model trained on the Ultralytics YOLOv5 codebase implementing Programmable Gradient Information (PGI).
- YOLOv10: By Tsinghua University, featuring NMS-free training and efficiency-accuracy driven architecture, delivering state-of-the-art performance and latency.
- Segment Anything Model (SAM): Meta's Segment Anything Model (SAM).
- Mobile Segment Anything Model (MobileSAM): MobileSAM for mobile applications, by Kyung Hee University.
- Fast Segment Anything Model (FastSAM): FastSAM by Image & Video Analysis Group, Institute of Automation, Chinese Academy of Sciences.
- YOLO-NAS: YOLO Neural Architecture Search (NAS) Models.
- Realtime Detection Transformers (RT-DETR): Baidu's PaddlePaddle Realtime Detection Transformer (RT-DETR) models.
- YOLO-World: Real-time Open Vocabulary Object Detection models from Tencent AI Lab.
YOLO系列模型发展史
2024-10-16
28
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《
阿里云开发者社区用户服务协议》和
《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写
侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
简介：
YOLO系列模型从YOLOv3到YOLOv10，不断优化实时目标检测性能和速度。最新版本YOLOv8增加了实例分割、姿态估计等功能。此外，还包括Segment Anything Model（SAM）、MobileSAM、FastSAM、YOLO-NAS、RT-DETR和YOLO-World等模型，分别在不同场景下提供高效的目标检测和分割能力。
目录
相关文章
|
6月前
|
机器学习/深度学习
测试技术
定位技术
YOLOPoint开源 | 新年YOLO依然坚挺，通过结合YOLOv5&SuperPoint，成就多任务SOTA
YOLOPoint开源 | 新年YOLO依然坚挺，通过结合YOLOv5&SuperPoint，成就多任务SOTA
145
0
0
|
2月前
|
人工智能
并行计算
PyTorch
AI计算机视觉笔记十八：Swin Transformer目标检测环境搭建
本文详细记录了Swin Transformer在AutoDL平台上的环境搭建与训练过程。作者从租用GPU实例开始，逐步介绍了虚拟环境的创建、PyTorch安装、mmcv及mmdetection的配置，并解决了安装过程中遇到的各种问题，如cython版本冲突等。最后，通过修改代码实现目标检测结果的保存。如需了解更多细节或获取完整代码，请联系作者。原文链接：[原文链接]（请在此处插入原文链接）。
167
5
5
|
2月前
|
人工智能
PyTorch
算法框架/工具
AI计算机视觉笔记二十二：基于 LeNet5 的手写数字识别及训练
本文介绍了使用PyTorch复现LeNet5模型并检测手写数字的过程。通过搭建PyTorch环境、安装相关库和下载MNIST数据集，实现了模型训练与测试。训练过程涉及创建虚拟环境、安装PyTorch及依赖库、准备数据集，并编写训练代码。最终模型在测试集上的准确率达到0.986，满足预期要求。此项目为后续在RK3568平台上部署模型奠定了基础。
45
4
4
|
2月前
|
人工智能
计算机视觉
Python
AI计算机视觉笔记十九：Swin Transformer训练
本文介绍了使用自定义数据集训练和测试目标检测模型的步骤。首先，通过安装并使用标注工具labelme准备数据集；接着修改配置文件以适应自定义类别，并调整预训练模型；然后解决训练过程中遇到的依赖冲突问题并完成模型训练；最后利用测试命令验证模型效果。文中提供了具体命令及文件修改指导。
64
2
2
|
2月前
|
机器学习/深度学习
人工智能
测试技术
AI计算机视觉笔记二十五：ResNet50训练部署教程
该项目旨在训练ResNet50模型并将其部署到RK3568开发板上。首先介绍了ResNet50网络，该网络由何恺明等人于2015年提出，解决了传统卷积神经网络中的退化问题。项目使用车辆分类数据集进行训练，并提供了数据集下载链接。环境搭建部分详细描述了虚拟环境的创建和所需库的安装。训练过程中，通过`train.py`脚本进行了15轮训练，并可视化了训练和测试结果。最后，项目提供了将模型转换为ONNX和PT格式的方法，以便在RK3568上部署。
74
2
2
|
2月前
|
人工智能
PyTorch
算法框架/工具
AI计算机视觉笔记十二：基于 LeNet5 的手写数字识别及训练
本文档介绍了如何使用PyTorch框架复现经典的LeNet5模型，并通过MNIST数据集进行训练与测试。首先，创建虚拟环境并安装所需库，接着下载MNIST数据集。训练部分涉及四个主要文件：`LeNet5.py`、`myDatast.py`、`readMnist.py` 和 `train.py`。通过这些文件搭建模型并完成训练过程。最后，通过测试脚本验证模型准确性，结果显示准确率达到0.986，满足预期需求。文档还提供了详细的环境配置和代码实现细节。
50
3
3
|
数据挖掘
测试技术
Go
超越YOLOv7 | YOLOv6论文放出，重参+自蒸馏+感知量化+...各种Tricks大放异彩（一）
超越YOLOv7 | YOLOv6论文放出，重参+自蒸馏+感知量化+...各种Tricks大放异彩（一）
260
0
0
|
异构计算
超越YOLOv7 | YOLOv6论文放出，重参+自蒸馏+感知量化+...各种Tricks大放异彩（二）
超越YOLOv7 | YOLOv6论文放出，重参+自蒸馏+感知量化+...各种Tricks大放异彩（二）
169
0
0
|
算法
测试技术
文件存储
|
机器学习/深度学习
计算机视觉
网络架构