郑州网站制作的公司哪家好做酒店网站
以下是 YOLOv1 到 YOLOv12 的详细信息汇总：
YOLOv1
- 提出时间：2015 年 12 月。
- 提出团队：Joseph Redmon 等。
- 骨干网络：简化的 CNN 骨干网络。
- 特征融合方式：无。
- 激活函数：LeakyReLU。
- 训练技巧：随机梯度下降，非极大值抑制 (NMS)。
- 参数量：约 6200 万。
- 速度：约 45FPS。
- 精度：一般。
- 硬件部署情况：可在普通 GPU 上运行。
- GitHub 地址：无开源实现，原论文地址为https://arxiv.org/abs/1506.02640。
YOLOv2
- 提出时间：2016 年 12 月。
- 提出团队：Joseph Redmon 等。
- 骨干网络：DarkNet-19。
- 特征融合方式：无。
- 激活函数：LeakyReLU。
- 训练技巧：带动量的 SGD，超参数调优，Adam 优化器。
- 参数量：约 3400 万。
- 速度：约 120FPS（V2 tiny 版本）。
- 精度：比 YOLOv1 有显著提高。
- 硬件部署情况：可在普通 GPU 上运行。
- GitHub 地址：https://github.com/pjreddie/darknet。
YOLOv3
- 提出时间：2018 年 4 月。
- 提出团队：Joseph Redmon 等。
- 骨干网络：DarkNet-53。
- 特征融合方式：多尺度预测。
- 激活函数：LeakyReLU。
- 训练技巧：Mix-up，数据增强，噪声。
- 参数量：约 6100 万。
- 速度：约 50FPS。
- 精度：比 YOLOv2 更高。
- 硬件部署情况：可在中高端 GPU 上运行。
- GitHub 地址：https://github.com/pjreddie/darknet。
YOLOv4
- 提出时间：2020 年 4 月。
- 提出团队：Alexey Bochkovskiy 等。
- 骨干网络：CSPDarkNet-53。
- 特征融合方式：PANet。
- 激活函数：Mish。
- 训练技巧：CutMix 和 Mosaic 数据增强等。
- 参数量：约 2000 万。
- 速度：约 65FPS。
- 精度：较高。
- 硬件部署情况：可在中高端 GPU 上运行。
- GitHub 地址：https://github.com/AlexeyAB/darknet。
YOLOv5
- 提出时间：2020 年 6 月。
- 提出团队：Ultralytics。
- 骨干网络：CSPNet。
- 特征融合方式：FPN。
- 激活函数：SiLU。
- 训练技巧：马赛克，CutMix，早停。
- 参数量：约 7000 万。
- 速度：约 120FPS。
- 精度：较好。
- 硬件部署情况：可在多种硬件平台运行，包括 CPU、GPU 等。
- GitHub 地址：https://github.com/ultralytics/yolov5。
YOLOv6
- 提出时间：2022 年 6 月。
- 提出团队：MEGVII 基础模型团队。
- 骨干网络：PANet，CSPDarkNet53。
- 特征融合方式：BiFPN。
- 激活函数：SiLU。
- 训练技巧：对抗训练，领域特定的数据增强。
- 参数量：约 3500 万。
- 速度：约 160FPS。
- 精度：较好。
- 硬件部署情况：可在多种硬件平台运行。
- GitHub 地址：https://github.com/meituan/YOLOv6。
YOLOv7
- 提出时间：2022 年 9 月。
- 提出团队：WongKinYiu。
- 骨干网络：EfficientRep 骨干网络。
- 特征融合方式：动态标签分配。
- 激活函数：ReLU。
- 训练技巧：微调，对抗补丁检测。
- 参数量：约 4000 万。
- 速度：约 120FPS。
- 精度：较高。
- 硬件部署情况：可在多种硬件平台运行。
- GitHub 地址：https://github.com/WongKinYiu/yolov7。
YOLOv8
- 提出时间：2023 年 1 月。
- 提出团队：Ultralytics。
- 骨干网络：路径聚合网络。
- 特征融合方式：动态核注意力。
- 激活函数：SiLU。
- 训练技巧：对抗训练，数据增强。
- 参数量：约 5000 万。
- 速度：约 100FPS。
- 精度：较好。
- 硬件部署情况：可在多种硬件平台运行。
- GitHub 地址：https://github.com/ultralytics/ultralytics。
YOLOv9
- 提出时间：2024 年 2 月。
- 提出团队：WongKinYiu 等。
- 骨干网络：广义高效层聚合网络 (GELAN)。
- 特征融合方式：可编程梯度信息 (PGI)。
- 激活函数：ReLU。
- 训练技巧：微调，领域特定的数据增强。
- 参数量：相比 YOLOv8 减少了 49%。
- 速度：约 100FPS。
- 精度：在 MS COCO 数据集上 AP 有 0.6% 的改进。
- 硬件部署情况：可在多种硬件平台运行。
- GitHub 地址：https://github.com/WongKinYiu/yolov9。
YOLOv10
- 提出时间：2024 年 5 月。
- 提出团队：清华大学。
- 骨干网络：轻量级分类头和分离的空间与通道变换。
- 特征融合方式：在下采样阶段通过分离的空间与通道变换提高整体效率。
- 激活函数：未明确指出。
- 训练技巧：无 NMS 训练，双重标签分配。
- 参数量：未明确给出。
- 速度：约 120FPS。
- 精度：较好。
- 硬件部署情况：可在多种硬件平台运行。
- GitHub 地址：https://github.com/THU-MIG/yolov10。
YOLOv11
- 提出时间：2024 年 9 月。
- 提出团队：Ultralytics。
- 骨干网络：C3k2 块，C2PSA。
- 特征融合方式：增强空间注意力。
- 激活函数：未明确指出。
- 训练技巧：微调，Mix-up，数据增强，自适应梯度裁剪。
- 参数量：相比 YOLOv8 同等精度下降低 20%。
- 速度：约 110FPS。
- 精度：较好。
- 硬件部署情况：可适配从边缘设备到云 API 等不同硬件平台。
- GitHub 地址：https://github.com/ultralytics/ultralytics。
YOLOv12
- 提出时间：2025 年 3 月。
- 提出团队：sunsmarterjie。
- 骨干网络：区域注意力模块（area attention, A2），残差高效层聚合网络（R-ELAN）。
- 特征融合方式：FlashAttention，卷积实现注意力。
- 激活函数：未明确指出。
- 训练技巧：Mosaic、Mixup 和复制粘贴增强等。
- 参数量：未明确给出。
- 速度：约 90FPS。
- 精度：在速度和性能上取得新的突破。
- 硬件部署情况：可适配多种硬件平台。
- GitHub 地址：https://github.com/sunsmarterjie/yolov12。