2万字长文，YOLOv1-YOLOv11的十年全面进化综述！

YOLO（You Only Look Once）系列模型自2015年推出以来，彻底变革了目标检测领域，以其单一回归问题设计提升检测效率。文章详述了YOLO从v1到11的演变历程，每一代均在精度和速度上有所突破，特别是最新的YOLO11，在实时检测和多任务应用中表现出色。

简介

本文系统地研究了 YOLO 目标检测算法从 YOLOv1 到最近推出的 YOLOv11的进展。 本研究采用逆向时间顺序分析，考察了 YOLO 算法技术的进步，从 YOLOv1开始，逐步发展到YOLO11、YOLOv10、YOLOv9 和后续版本，探索每个版本对提高实时目标检测的速度、准确性和计算效率的贡献。

该研究强调了 YOLO 在五个关键应用领域的变革性影响：汽车安全、医疗保健、工业制造、监控和农业。

通过详细介绍后续 YOLO 版本中的增量技术进步，本次回顾记录了 YOLO 的演变，并讨论每个早期版本中的挑战和限制。

这一演变标志着 YOLO 在下一个十年中将 YOLO 与多模态、上下文感知和通用人工智能 (AGI) 系统集成的道路， 有望对人工智能驱动的应用程序的未来发展产生重大影响。

图 1：该可视化总结了 YOLO 模型的技术性能，比较了 YOLOv1 到 YOLOv11 的速度 (FPS) 和准确性 (mAP)。

一、引言

目标检测是计算机视觉的关键组成部分， 使系统能够识别和定位图像或视频帧中的目标。实时目标检测已成为许多需要立即分析并与动态环境交互的应用程序组成部分。例如，实时目标检测在自动驾驶汽车和机器人技术中是不可或缺的，使系统能够快速识别和跟踪不同的物体，如车辆、行人、自行车和其他障碍物，从而提高导航安全性和效率。目标识别的实用性不仅限于车辆应用， 而且在视频序列中的动作识别中也至关重要，可用于监控、运动分析和人机交互。

这些领域受益于实时分析和响应态势动态能力，说明其广泛的适用性、接受度和影响。然而，目标检测问题涉及几个挑战：

• 现实世界场景复杂性： 现实世界的环境是高度可变且不可预测的。物体可能以不同的方向、比例和照明条件出现，这使得检测算法很难概括和保持准确性。

• 遮挡和混乱： 目标可能会被其他物体部分遮挡，从而导致必须准确解释的信息不完整。

• 速度和效率： 许多应用，例如自动驾驶和实时监控，需要快速处理视觉数据以做出及时决策，要求检测算法具有高精度和低延迟。

1.1 传统方法：

在深度学习出现之前，目标检测依赖于手工制作特征和机器学习分类器的组合。一些经典的传统方法包括：

• 相关滤波器： 用于通过将滤波器与图像相关联来检测目标，通常会遇到目标外观变化的问题。

• Gabor 特征： 使用 Gabor 滤波器提取纹理特征，这对于纹理表示有效，但计算量大。

• 定向梯度直方图 (HOG)： 捕获表征对象形状的边缘或梯度结构，通常与支持向量机 (SVM) 结合进行分类。

• 局部二进制模式（LBP）： 利用像素强度比较形成二进制模式，用于纹理分类和人脸识别。

• SVM 和多层感知机（MLP）： 传统分类器与上述特征结合使用来检测和分类目标。

虽然这些方法可以在受控条件下很好地工作，但它们通常需要仔细的手动特征选择，并且很难在不同的现实场景中进行推广。

1.2 卷积神经网络的出现

卷积神经网络（CNN）的引入通过自动化特征提取和实现端到端学习彻底改变了目标检测。CNN 特别有效，因为：

• 分层特征学习： CNN 学习在早期层中提取低级特征（例如边缘、纹理），在更深的层中提取高级特征（例如对象部分、形状），从而促进稳健的目标识别。

• 空间不变性： 卷积层使 CNN 能够识别目标，无论其在图像中的位置如何，从而增强检测的鲁棒性。

• 可扩展性： CNN 可以扩展以处理更大的数据集和更复杂的模型，从而提高各种任务的性能。

1.3 R-CNN

由于图像中目标的数量可变，目标检测对 CNN 提出了独特的挑战，这阻碍了具有固定输出层的 CNN 的直接应用。虽然基于滑动窗口的强力搜索可用于选择和分类区域，但这种方法在计算上是令人望而却步的，因为它需要将 CNN 模型应用于不同大小和长宽比的众多区域提案，这使得它对于实时应用来说效率低下。

2013 年，Ross Girshick等人提出 R-CNN（基于区域的 CNN）架构来应对这些挑战。R-CNN 使用选择性搜索算法生成约 2000 个区域提案，然后由 CNN 处理以提取特征。Fast R-CNN 通过在一次传递中集成区域提议特征提取和分类来改进这一过程。Faster R-CNN 通过引入用于端到端训练的区域提议网络 (RPN) 进一步改进了该方法，消除了选择性搜索。

1.4 YOLO

“You Only Look Once”（YOLO）目标检测算法由 Joseph Redmon 等人于 2015 年首次提出，通过将区域提议和分类结合到单个神经网络中，彻底改变实时目标检测， 显著减少了计算量时间。YOLO 的统一架构将图像划分为网格， 直接预测每个单元的边界框和类概率，从而实现端到端学习。

在农业中，YOLO 模型可检测作物、害虫和疾病并对其进行分类， 促进精准农业技术和自动化农业操作，以提高生产力并优化投入。

在遥感领域， YOLO 有助于卫星和航空图像中的物体识别，支持城市规划、土地利用测绘和环境监测。这些功能证明了 YOLO 对城市发展和环境保护等关键全球挑战的贡献。

在医疗保健领域， YOLO 在协助和改善诊断过程和治疗结果方面发挥重要作用。这些应用包括但不限于癌症检测、皮肤分割和药丸识别，这些应用展示了模型适应不同需求和基本任务的能力。

在监控和安全系统领域， 还利用 YOLO 进行实时监控和快速识别可疑活动。通过将这些模型集成到监控系统中，安全人员可以更有效地监控和响应潜在威胁，从而增强公共安全。同样，在流行病期间的社交距离和口罩检测等公共卫生措施中，YOLO 模型为执行卫生法规提供了必要的支持。

在工业应用中， YOLO 有助于表面检查过程以检测缺陷和异常情况，确保制造和生产中的质量控制。

1.5 研究动机

由于YOLO已在计算机视觉领域得到广泛采用。 数千名研究人员引用了 YOLO 论文，凸显了其重大影响力。综合分析从YOLO轨迹入手，探讨YOLOv1到YOLOv10的发展路径。本研究旨在回顾 YOLO 的十年进展及其随时间推移的进步，如图 2 所示。

图 2：本综述文章结构图：该结构包括讨论开发路径的 YOLO 轨迹、之前的 YOLO 文献：提供背景和差异的上下文和区别、详细介绍每个版本的 YOLO 版本回顾、突出显示各种用例的应用程序、挑战、解决当前问题和潜在进展的局限性和未来方向，以及总结研究结果的结论。每一节都有助于全面了解YOLO框架的演变和影响。

二、YOLO 发展轨迹

YOLOv1 于 2015 年推出， 作为一种新颖的目标检测方法，通过在单个阶段处理图像来提供良好的准确性和速度。第一个YOLO版本为实时应用奠定了基础，为后续开发树立了新标准。图 3 显示了 YOLO 从其发布版本 YOLOv1 开始的时间线历史！

图 3：2015 年至 2024 年 YOLO 版本的时间线，说明了从 YOLOv1 到 YOLOv10 的开发进度。

YOLOv2，或 YOLO9000 在 v1 基础上进行扩展，提高系统运行的分辨率，并能够检测超过 9000 个物体类别，从而增强了其多功能性和准确性。YOLOv3 通过实现多尺度预测和更深的网络架构进一步提升了这些功能，从而可以更好地检测较小的物体。该系列继续随着YOLOv4 和YOLOv5 的发展，每个都引入了更精细的技术和优化，以进一步提高检测性能（即准确性和速度）。YOLOv4 融合了CSP 连接和 Mosaic 数据增强等功能，而 Ultralytics 开发的 YOLOv5 在易用性和性能方面带来显著改进，成为计算机视觉社区的热门选择。YOLOv6 到 YOLOv11 的后续版本继续在此成功的基础上发展， 专注于增强模型可扩展性、减少计算需求和提高实时性能指标。YOLO系列的每次迭代都为目标检测能力树立了新的基准，并对从自动驾驶和交通监控到医疗保健和工业自动化等各个应用领域产生了重大影响。

YOLOv11采用了改进的骨干网络和颈部架构，增强了特征提取能力，以实现更精确的目标检测和复杂任务的性能。其引入了精细的架构设计和优化的训练流程，提供了更快的处理速度，并在准确性和性能之间保持了最佳平衡。YOLOv11在COCO数据集上实现了更高的平均精度均值（mAP），同时比YOLOv8少用了22%的参数，使其在不牺牲准确性的情况下具有计算效率。可以无缝部署在各种环境中，包括边缘设备、云平台和支持NVIDIA GPU的系统，确保了最大的灵活性。YOLOv11不仅支持目标检测，还支持实例分割、图像分类、姿态估计和定向目标检测（OBB），满足一系列计算机视觉挑战。

YOLOv10 引入了多种模型变体， 例如 YOLOv10-N、YOLOv10-S、YOLOv10M、YOLOv10-B、YOLOv10-L 和 YOLOv10-X，在MS-COCO 数据集上实现了从 38.5% 到 54.4% 的精度（AP）。值得注意的是，YOLOv10-N 和 YOLOv10-S 的延迟最低，分别为 1.84 ms 和 2.49 ms，非常适合需要低延迟的应用。这些模型的性能优于前代模型，YOLOv10-X 实现了 54.4% 的最高 mAP 和 10.70 ms 的延迟，反映了准确性和推理速度的均衡增强。