-
YOLOv1（2015）：
- 发布时间：2015年
- 开发团队：Joseph Redmon, Santosh Divakaran, Ross Girshick, Ali Farhadi，来自华盛顿大学和Facebook AI Research。
- 改进内容：首次提出将目标检测作为一个回归问题，直接从图像预测边界框和类别概率。
- 作用：简化了目标检测流程，提高了检测速度。
- 效果：在PASCAL VOC 2007数据集上达到了63.4%的平均精度（AP），同时保持了实时处理速度。
-
YOLOv2（2016）：
- 发布时间：2016年
- 开发团队：同一团队继续开发。
- 改进内容：引入批归一化（Batch Normalization）和更高分辨率的分类器，去除了全连接层，实现了完全卷积的网络结构。
- 作用：改善了模型的收敛性并减少了过拟合，提高了检测的准确性。
- 效果：在PASCAL VOC 2007数据集上的平均精度（AP）提高到了78.6%。
-
YOLOv3（2018）：
- 发布时间：2018年
- 开发团队：Joseph Redmon
- 改进内容：引入对象性分数（objectness score）预测每个边界框中对象存在的概率，使用更深的特征提取器，并采用空间金字塔池化（Spatial Pyramid Pooling, SPP）。
- 作用：增强了特征提取能力，提高了模型的泛化能力。
- 效果：在PASCAL VOC 2007数据集上的平均精度（AP）达到了state-of-the-art水平。
-
YOLOv4（2020）：
- 发布时间：2020年
- 开发团队：Alexey Bochkovskiy
- 改进内容：引入CSPDarknet53作为骨干网络，Mish激活函数，CIoU损失函数等。
- 作用：进一步提高了模型的速度和准确性。
- 效果：在MS COCO数据集上达到了43.5%的AP，在保持高准确性的同时，具有较快的处理速度。
-
YOLOv5（2020）：
- 发布时间：2020年
- 开发团队：Ultralytics团队
- 改进内容：简化了模型结构，并提供了更多的可定制性和灵活性。
- 作用：使得YOLO模型更易于使用，并适应不同的应用场景。
- 效果：因其易用性和性能而广受欢迎，尤其在个人和小型项目中。
-
YOLOv6（2021）：
- 发布时间：2021年
- 开发团队：社区成员开发，非官方版本
- 改进内容：优化模型结构，提高检测速度和准确性。
- 作用：提升了模型在实际应用中的性能。
- 效果：在社区中获得了一定的关注和使用。
-
YOLOv7（2022）：
- 发布时间：2022年
- 开发团队：社区成员开发，非官方版本
- 改进内容：继续在模型性能和速度上进行优化。
- 作用：提供了更好的实时检测性能。
- 效果：在多个数据集上展示了良好的性能。
-
YOLOv8（2023）：
- 发布时间：2023年
- 开发团队：社区成员开发，非官方版本
- 改进内容：引入NMS-free训练等新特性。
- 作用：进一步推动了目标检测技术的发展。
- 效果：在目标检测任务中表现出色。
-
YOLOv9至YOLOv10（2024）：
- 发布时间：2024年
- 开发团队：社区成员开发，非官方版本
- 改进内容：在YOLO系列的基础上进行改进和优化。
- 作用：继续提升模型的性能和适用性。
- 效果：在目标检测领域中保持了竞争力。
-
YOLOv11（2024）：
- 发布时间：2024年
- 开发团队：Ultralytics团队
- 改进内容：引入了C3k2块，SPPF和C2PSA组件，这些创新在特征提取等方面提升了模型的性能。
- 作用：提高了检测的速度和准确性，扩展了模型的应用范围。
- 效果：在目标检测领域中占据了重要的地位，并可能对实时计算机视觉应用产生重大影响。