- 综合排序
- 最热优先
- 最新优先
YOLOv12技术突破全解析：最新改进与前沿论文速览
【导读】本文汇总了多篇围绕YOLOv12这一实时目标检测前沿模型的最新研究论文。 这些研究共同展示了YOLOv12在速度、精度及适应性上的突破性进展与广泛应用潜力。 RF-DETR Object Detection vs YOLOv12论文标题：RF-DETR Object Detection vs YOLOv12 : A Study of Transformer-based REVIEW OF YOLOV12论文标题：REVIEW OF YOLOV12: ATTENTION-BASED ENHANCEMENTS VS. 总之，YOLOv12 凭借在速度、精度和资源效率方面的显著提升，有望为计算机视觉领域带来重大贡献。本文全面探讨了YOLOv12的架构创新及其对实时目标检测的意义。
15310编辑于 2025-06-25YOLOv12的注意力机制革新与实时检测性能分析——基于架构优化与历史版本对比
随着YOLOv12架构的完善，注意力机制现已嵌入YOLO框架，从而优化了计算效率和高速推理。下一节将详细分析这些改进，并对YOLOv12在多个检测任务中的性能进行基准测试。 YOLOv12 的主干和头部架构如算法1所示。主干网特征提取YOLOv12的骨干层通过一系列卷积层处理输入图像，在增加特征图深度的同时逐步缩小空间维度。 五、YOLOv12的架构创新YOLOv12引入了一种以注意力为中心的实时物体检测新方法，缩小了传统 CNN与基于注意力的架构之间的性能差距。 这使得YOLOv12能够在速度上与CNN相媲美，同时利用注意力机制的卓越建模能力。六、YOLOv12 的基准评估评估物体检测模型的性能需要对准确性和计算效率进行综合分析。 结果表明，与竞争架构相比，YOLOv12能以相当或更低的FLOPs实现更高的精度。代表YOLOv12的红色曲线始终高于竞争模型，这表明YOLOv12有效利用了计算资源，最大限度地提高了精确度。
62310编辑于 2025-04-25YOLO12强势来袭！打破CNN主导，实现速度精度新高度，实时目标检测的效率之王！
YOLOv12论文信息 论文题目：YOLOv12: Attention-Centric Real-Time Object Detectors 论文链接： https://arxiv.org/abs/2502.12524 代码链接： https://github.com/sunsmarterjie/yolov12 YOLOv12性能突破 YOLOv12共包含了5种规模：YOLOv12-N、S、M、L和X。 YOLOv12在准确率和速度上超越了所有流行的实时物体检测器。 YOLOv12：技术创新和突破 YOLOv12是YOLO系列的最新版本，它继承了YOLO系列的高效和快速，并在此基础上做出了很多技术创新和优化。 可视化分析热图分析显示，YOLOv12相比YOLOv10和YOLOv11在物体作用和前景激活上更清晰，表明区域注意在感知能力上的提升，使YOLOv12在性能上具备优势。
98120编辑于 2025-02-21YOLOv12深度测评：从创新到部署，硬件适配与YOLOv11性能全对比（附无代码流程）
YOLOv12发布一周，引发热议！作为YOLO系列的最新版本，YOLOv12引发了广泛关注。那关于YOLOv12的使用具体怎么样吗？ 今天小编就详细带你体验一下YOLOv12的使用细节，以及它和YOLO11的性能比较吧（附代码讲解）YOLOv12的创新YOLOv12最重要的创新是其不再依赖传统的CNN架构，而是采用了基于注意力机制的新方法 这表明YOLOv12在速度上有所下降，但其创新的架构和精度提升为其带来了更强的表现。训练时间在10个epoch的微调测试中，YOLOv12的训练时间比YOLOv11多了约20%。 YOLOv12部署指南在YOLOv12模型部署过程中，由于其依赖FlashAttention和特定GPU架构，配置复杂度更高。 接下来小编将演示YOLOv12的部署全流程，从环境搭建、模型导出到实时推理，同时揭秘如何通过Coovally平台实现零代码完成数据标注、模型训练与云端部署，让小白也能轻松玩转YOLOv12！
2.6K10编辑于 2025-02-26YOLOv12架构深度解析：关键架构特征的细分
一、摘要本文对YOLOv12进行了架构分析，YOLOv12是单级实时物体检测领域的一项重大进步，它继承了前代产品的优点，同时引入了关键改进。 实验结果表明，YOLOv12在平均精度（mAP）和推理速度方面都有持续的提高，这使得YOLOv12成为自主系统、安全和实时分析应用中的一个令人信服的选择。 总之，YOLOv12在速度、准确性和资源效率方面都有显著提高，有望为计算机视觉做出重大贡献。本文全面探讨了YOLOv12的架构创新及其对实时物体检测的影响。 这些改进进一步提高了YOLOv12在实时应用中的性能。YOLOv12实现了重大的架构演变，融合了创新的骨干元素、先进的关注机制和完善的预测模块。 八、YOLOv12的进步和主要功能YOLOv12在2025年早些时候推出的前代产品YOLOv11所奠定的坚实基础上，实现了物体检测领域的重大飞跃。
1.1K10编辑于 2025-02-27- 来自专栏AI智韵
YOLOv12：以注意力为中心的实时目标检测器
YOLOv12在精度上超越了所有流行的实时目标检测器，同时保持了具有竞争力的速度。 本文旨在解决这些挑战，并进一步构建以注意力为核心的YOLO框架——YOLOv12。 方法 本章从网络架构与注意力机制的角度介绍YOLO框架的创新——YOLOv12。 以下是 YOLOv12 的主要内容总结： 核心创新 注意力机制的引入： YOLOv12 采用了全新的 区域注意力模块（Area Attention），通过将特征图划分为简单的垂直或水平区域，减少了计算复杂度 YOLOv12家族包含5种规模：N/S/M/L/X。
64410编辑于 2025-02-26 - 来自专栏机器之心
YOLO已经悄悄来到v12，首个以Attention为核心的YOLO框架问世
本周三放出的 YOLOv12 着力改变这一现状并取得具有优势的性能。 最终，R-ELAN 显著提升了模型的优化稳定性和计算效率，使 YOLOv12 的大规模模型能够更好地收敛，并在保证性能的同时提升推理速度。 可视化分析 参数量 / CPU 速度 - 精度的 Trade-offs 比较：YOLOv12 在参数量和 CPU 推理速度方面上均实现了突破。 如上图所示，实验结果显示，YOLOv12 在准确率 - 参数量平衡方面优于现有方法，甚至超越了参数量更少的 YOLOv10，证明了其高效性。 YOLOv12 热力图分析：上图展示了 YOLOv12 与当前最先进的 YOLOv10 和 YOLOv11 的热力图对比。
26010编辑于 2025-02-25 - 来自专栏YOLO大作战
YOLOv12携注意力机制震撼登场，实时检测快如闪电！
YOLOv12的主要贡献点如下：1. 构建以注意力机制为核心的框架YOLOv12提出了以注意力为中心的实时目标检测框架，通过方法论创新和架构改进，打破了传统CNN在YOLO系列中的主导地位。2. YOLOv12在保持具有竞争力的推理速度下，其准确率超越了所有主流实时目标检测器。 左侧子图展示了YOLOv12与其他流行方法在精度与参数量之间的权衡对比。 YOLOv12建立了一个超越其他同类方法的主导边界，甚至超过了YOLOv10——一个以显著更少参数为特征的YOLO版本，这充分展示了YOLOv12的高效性。 如图所示，YOLOv12在不同硬件平台上展现出更具优势的边界，超越了其他竞争对手，突显了其在多样化硬件平台上的高效性。1.4.3 诊断与可视化 我们在表5a至表5h中对YOLOv12的设计进行了诊断。
49710编辑于 2025-02-24 - 来自专栏YOLO大作战
YOLOv12优化：卷积魔改创新 | AAAI 2025 | 一种新颖的风车形卷积（PConv）符合微弱小目标的像素高斯空间分布，增强特征提取，显著增加接受野
IOU优化】【上下采样优化 】【小目标性能提升】【前沿论文分享】【训练实战篇】订阅者提供本文windows下编译好的YOLOv12环境定期向订阅者提供源码工程，配合博客使用。 本研究提出了一种以注意力机制为核心的YOLO框架——YOLOv12，在保持与先前CNN模型相当速度的同时，充分释放了注意力机制的性能优势。 YOLOv12在保持具有竞争力的推理速度下，其准确率超越了所有主流实时目标检测器。 2）YOLOv12在不依赖预训练等额外技术的情况下，实现了快速推理速度和更高的检测精度的最新成果，展现了其潜力。 , AGPL-3.0 license# YOLOv12 object detection model with P3-P5 outputs.
59710编辑于 2025-03-19 利用大语言模型生成的合成数据训练YOLOv12：提升商业果园苹果检测的精度与效率
虽然YOLOv12是比YOLOv11和YOLOv10更准确的新算法，但YOLO11n仍是YOLOv10、YOLOv11和YOLOv12中最快的YOLO算法。 这些改进使YOLOv12成为首个在COCO-Agri专项测试集上mAP突破90%的农业专用检测模型，为智能农机装备提供了可靠的技术基座。YOLO12的架构及创新可参考YOLOv12来袭！ 训练 YOLOv12 物体检测模型在本研究中，YOLOv12物体检测模型的训练以及随后与YOLOv11和 YOLOv10的比较涉及到一个详细和结构化的方法，以最大限度地提高性能并确保不同模型配置之间的重现性 评估YOLOv12中使用的参数、GFLOP和层数在对用于合成苹果检测的YOLOv12配置进行比较分析时，YOLOv12n模型使用的卷积层最少（159层），计算需求最低，仅为6.3 GFLOPs。 YOLOv12的推理时间仅为5.6毫秒，在YOLOv12、YOLOv11和YOLOv10系列的所有测试配置中速度最快，显示出卓越的效率。
24500编辑于 2025-03-19RF-DETR vs YOLOv12实测：复杂果园青果识别准确率高达94.6%
与此相反，YOLOv12 模型采用了基于CNN的注意力机制来加强局部特征提取，优化了计算效率和边缘部署的适用性。 本研究通过详细评估RF-DETR和YOLOv12在商业苹果园中的青果检测任务，填补了这一空白。 训练YOLOv12目标检测模型YOLOv12代表了基于CNN的目标检测领域的一次变革性飞跃，它将传统对话架构的效率与受注意力启发的机制相结合，以满足现代计算机视觉的需求。 相反YOLOv12却未能检测到这种水果，这表明它在分辨同质背景中被凸轮遮挡的目标方面存在局限性。 如最右边的图像所示，YOLOv12在该区域检测到了7个绿色水果实例。然而，地面实况标注证实实际只有5个绿色水果。YOLOv12将背景纹理或重叠的树冠特征错误地归类为未包含的苹果，从而导致误报。
41810编辑于 2025-04-23- 来自专栏YOLO大作战
YOLOv12优化：图像去噪 | AAAI2025 Transformer |一种基于Transformer的盲点网络（TBSN）架构 ，结合空间和通道自注意力
】【前沿论文分享】【训练实战篇】订阅者提供本文windows下编译好的YOLOv12环境定期向订阅者提供源码工程，配合博客使用。 本研究提出了一种以注意力机制为核心的YOLO框架——YOLOv12，在保持与先前CNN模型相当速度的同时，充分释放了注意力机制的性能优势。 YOLOv12在保持具有竞争力的推理速度下，其准确率超越了所有主流实时目标检测器。 结构图如下： 本文旨在解决这些挑战，并进一步构建了一个以注意力为中心的YOLO框架，即YOLOv12。我们引入了三项关键改进。 2）YOLOv12在不依赖预训练等额外技术的情况下，实现了快速推理速度和更高的检测精度的最新成果，展现了其潜力。
29010编辑于 2025-03-20 - 来自专栏YOLO大作战
YOLOv12源码分析+如何训练自己的数据集（NEU-DET缺陷检测为案列）
本文内容：YOLOv12创新点A2C2f和Area Attention结构分析，以及如何训练自己的私有数据集1.YOLOv12介绍论文：[2502.12524] YOLOv12: Attention-Centric 本研究提出了一种以注意力机制为核心的YOLO框架——YOLOv12，在保持与先前CNN模型相当速度的同时，充分释放了注意力机制的性能优势。 YOLOv12在保持具有竞争力的推理速度下，其准确率超越了所有主流实时目标检测器。 2）YOLOv12在不依赖预训练等额外技术的情况下，实现了快速推理速度和更高的检测精度的最新成果，展现了其潜力。 关注后获取YOLOv12 windows下环境！！！关注后获取YOLOv12 windows下环境！！！
1K10编辑于 2025-02-25 - 来自专栏YOLO大作战
YOLOv12优化：注意力魔改 | 新颖的多尺度卷积注意力（MSCA），即插即用，助力小目标检测
本文改进：分别加入到YOLOv12的backbone、neck、detect，助力涨点改进1结构图：改进2结构图：改进3结构图： 《YOLOv12魔术师专栏》将从以下各个方向进行创新：【原创自研模块】 本研究提出了一种以注意力机制为核心的YOLO框架——YOLOv12，在保持与先前CNN模型相当速度的同时，充分释放了注意力机制的性能优势。 YOLOv12在保持具有竞争力的推理速度下，其准确率超越了所有主流实时目标检测器。 结构图如下： 本文旨在解决这些挑战，并进一步构建了一个以注意力为中心的YOLO框架，即YOLOv12。我们引入了三项关键改进。 2）YOLOv12在不依赖预训练等额外技术的情况下，实现了快速推理速度和更高的检测精度的最新成果，展现了其潜力。
1K10编辑于 2025-03-10 - 来自专栏YOLO大作战
YOLOv12优化：遥感去雾 | 新颖的双注意力块（DAB）
本研究提出了一种以注意力机制为核心的YOLO框架——YOLOv12，在保持与先前CNN模型相当速度的同时，充分释放了注意力机制的性能优势。 YOLOv12在保持具有竞争力的推理速度下，其准确率超越了所有主流实时目标检测器。 结构图如下： 本文旨在解决这些挑战，并进一步构建了一个以注意力为中心的YOLO框架，即YOLOv12。我们引入了三项关键改进。 2）YOLOv12在不依赖预训练等额外技术的情况下，实现了快速推理速度和更高的检测精度的最新成果，展现了其潜力。 , AGPL-3.0 license# YOLOv12 object detection model with P3-P5 outputs.
46410编辑于 2025-04-16 - 来自专栏YOLO大作战
YOLOv12涨点优化：IoU优化 | 一种新的Shape IoU，更加关注边界框本身的形状和尺度，对小目标检测也很友好
本研究提出了一种以注意力机制为核心的YOLO框架——YOLOv12，在保持与先前CNN模型相当速度的同时，充分释放了注意力机制的性能优势。 YOLOv12在保持具有竞争力的推理速度下，其准确率超越了所有主流实时目标检测器。 结构图如下： 本文旨在解决这些挑战，并进一步构建了一个以注意力为中心的YOLO框架，即YOLOv12。我们引入了三项关键改进。 总之，YOLOv12的贡献可以概括为以下两点：1）它建立了一个以注意力为中心的、简单而高效的YOLO框架，通过方法创新和架构改进，打破了CNN模型在YOLO系列中的主导地位。 2）YOLOv12在不依赖预训练等额外技术的情况下，实现了快速推理速度和更高的检测精度的最新成果，展现了其潜力。
41810编辑于 2025-03-12 - 来自专栏YOLO大作战
《YOLOv13：基于超图增强自适应视觉感知的实时目标检测》原理、代码详解
然而，无论是 YOLO11 及更早版本的卷积架构，还是 YOLOv12 引入的基于区域的自注意力机制，都仅限于局部信息聚合和成对相关性建模，缺乏捕捉全局多对多高阶相关性的能力，这限制了在复杂场景下的检测性能 如上所述，我们的 YOLOv13 模型与最新的 YOLO11 和 YOLOv12 模型在相同的 GPU 上进行训练，而现有方法则使用其官方代码和训练参数进行训练。 具体而言，与之前的 YOLOv12 模型相比，我们的 YOLOv13 模型在 Nano、Small、Large 和 Extra-Large 模型上分别将 APval50:95 提高了 1.5%、0.9% 我们提出的 YOLOv13 模型与现有的 YOLOv10[16]、YOLO11[17] 和 YOLOv12[18] 模型进行了比较。
44840编辑于 2025-06-26 - 来自专栏YOLO大作战
YOLO论文分享（5）： IHA-YOLO: 用于实时细胞检测的跨检测头注意力机制，ISBI 2025
v10Detect, [nc]] # Detect(P3, P4, P5)1.2 性能分析平均mAP与FPS可视化结果2.总结 可以将Inter-Head Attention二次创新至YOLO11、YOLOv12
24810编辑于 2025-04-02 YOLOv13重磅发布！Coovally平台可一键调用，体验超图建模带来的检测性能飞跃
根据论文，YOLOv13 在 MS COCO 和 Pascal VOC 两大数据集上实现了全面领先：比 YOLOv12 平均提升 1.5% mAPNano 版仅 6.4G FLOPs 就能跑出 41.6%
36220编辑于 2025-06-26- 来自专栏大模型
基于EAS部署triton推理服务化框架
directories (triton_model_path / "1").mkdir(parents=True, exist_ok=True) # Load a model model = YOLO('yolov12
8020编辑于 2025-06-16
腾讯云开发者
