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:///abs/1506.02640 引用 | 10222 主页:https:///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:///abs/1612.08242 引用 | 5168 主页:https:///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 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:///pdf/2004.10934v1.pdf 引用 | 17 代码:https://github.com/AlexeyAB/darknet Star | 11.9K 时间:2020年4月24 解读:YOLOv4来了!COCO 43.5 AP,65FPS!实现速度与精度的最优平衡 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:///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:///abs/1803.06199 引用 | 65 代码:https://github.com/ghimiredhikura/Complex-YOLOv3(非官方) Star | 95(非官方) 代码: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:///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:///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:///abs/1811.05588 引用 | 73 代码:https://reu2018dl./ 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:///abs/1903.06530 引用 | 3 备注:AAAI 2020 解读:Spiking-YOLO : 前沿!脉冲神经网络在目标检测的首次尝试 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:///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:///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:///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:///abs/1907.11093 引用 | 18 解读:SlimYOLOv3:更窄、更快、更好的无人机目标检测算法 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:///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:///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:///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:///abs/1911.08076 引用 | 4 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:///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:///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:///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:///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:///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-YOLO在精度和效率之间取得更好的平衡,在COCO数据集上达到45.2% mAP,并且速度72.9 FPS!,超越YOLOv4和谷歌EfficientDet,是更加实用的目标检测算法。 还有哪些优秀的YOLO系算法?欢迎留言补充! 微信号:aicvml QQ群:805388940 微博知乎:@我爱计算机视觉 投稿:amos@52cv.net 网站:www.52cv.net 在看,让更多人看到 |
|