加入极市专业CV交流群，与 10000+来自港科大、北大、清华、中科院、CMU、腾讯、百度 等名校名企视觉开发者互动交流！
同时提供每月大咖直播分享、真实项目需求对接、干货资讯汇总，行业技术交流。关注 极市平台 公众号 ，回复 加群，立刻申请入群~
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主页：https://pjreddie.com/darknet/yolo/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主页：https://pjreddie.com/darknet/yolo/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论文：https://arxiv.org/abs/1804.02767主页：https://pjreddie.com/darknet/yolo/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论文：https://arxiv.org/pdf/2004.10934v1.pdf代码：https://github.com/AlexeyAB/darknet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。代码：https://github.com/ultralytics/yolov5Fast 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论文：https://arxiv.org/abs/1709.05943Complex-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论文：https://arxiv.org/abs/1803.06199代码：https://github.com/ghimiredhikura/Complex-YOLOv3（非官方）代码：https://github.com/maudzung/Complex-YOLOv4-Pytorch（基于v4）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论文：https://arxiv.org/abs/1805.00107一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/1808.02350YOLO-LITE
YOLO-LITE: A Real-Time Object Detection Algorithm Optimized for Non-GPU Computers作者：Jonathan Pedoeem, Rachel Huang论文：https://arxiv.org/abs/1811.05588代码：https://reu2018dl.github.io/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论文：https://arxiv.org/abs/1903.06530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论文：https://arxiv.org/abs/1903.08589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论文：https://arxiv.org/abs/1904.07704SpeechYOLO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论文：https://arxiv.org/abs/1904.07537Complex-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论文：https://arxiv.org/abs/1907.11093代码：https://github.com/PengyiZhang/SlimYOLOv3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论文：https://arxiv.org/abs/1909.13396Tiny-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论文：https://arxiv.org/abs/1910.01271YOLO 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论文：https://arxiv.org/abs/1910.03159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论文：https://arxiv.org/abs/2004.06333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代码：https://gitlab.com/irafm-ai/poly-yolo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论文：https://arxiv.org/abs/2006.14837YOLOv3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论文：https://arxiv.org/abs/2007.12099解读：https://zhuanlan.zhihu.com/p/163565906代码：https://github.com/PaddlePaddle/PaddleDetectionPP-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。在极市平台公众号后台回复YOLO，即可获得上述22篇论文打包下载链接。
推荐阅读
添加极市小助手微信（ID : cv-mart），备注：研究方向-姓名-学校/公司-城市（如：目标检测-小极-北大-深圳），即可申请加入极市技术交流群，更有每月大咖直播分享、真实项目需求对接、求职内推、算法竞赛、干货资讯汇总、行业技术交流，一起来让思想之光照的更远吧~