YOLOv5, YOLOv8 and YOLOv10: The Go-To Detectors for Real-time Vision

本文全面回顾了YOLO（You Only Look Once）物体检测算法的演进历程，重点介绍了YOLOv5、YOLOv8和YOLOv10。我们分析了这些版本在架构改进、性能提升和适用于边缘部署方面的优势。YOLOv5引入了CSPDarknet骨干网络和Mosaic增强等重大创新，平衡了速度和准确性。YOLOv8在此基础上增强了特征提取和无锚点检测，提高了多样性和性能。YOLOv10通过无NMS训练、空间通道分离下采样和大核卷积等技术实现了最新的性能提升，同时降低了计算开销。我们的研究结果强调了准确性、效率和实时性的逐步提升，特别强调了它们在资源受限环境中的适用性。本文提供了关于模型复杂性和检测准确性之间的权衡的见解，并为选择特定边缘计算应用程序最合适的YOLO版本提供了指导。

本论文旨在综述YOLO目标检测算法的演进历程，重点关注YOLOv5、YOLOv8和YOLOv10的架构改进、性能提升以及在边缘部署方面的适用性。

本论文提出了一系列新的创新，如CSPDarknet骨干网络和Mosaic Augmentation，以平衡速度和准确性。YOLOv8在此基础上增强了特征提取和无锚点检测，提高了通用性和性能。YOLOv10通过无NMS训练、空间通道分离下采样和大核卷积等手段实现了性能的飞跃，具有更低的计算开销和最先进的性能。

本文强调了YOLO目标检测算法在准确性、效率和实时性方面的逐步提升，特别强调了它们在资源受限环境中的适用性。实验设计详细，使用了多个数据集，开源了代码。

近期的相关研究包括EfficientDet、RetinaNet、CornerNet等。