YOLO 目标检测技术在纺织行业实时织物缺陷检测中的应用YOLOv1 至 YOLOv11 的回顾（上）

摘要：自动化织物缺陷检测对于提高纺织行业的质量控制、减少人工劳动和优化效率至关重要。传统的检测方法严重依赖人工监督，这使得它们在高速生产环境中容易出现主观性、效率低下和不一致等问题。本文系统地回顾了You Only Look Once (YOLO)目标检测框架从YOLO-v1到YOLO-v11的演进，重点介绍了基于注意力机制的特征改进和Transformer集成等架构方面的进步及其对织物缺陷检测的影响。与以往专注于特定YOLO变体的研究不同，本文全面比较了整个YOLO系列，突出了关键创新及其实际应用。我们还讨论了包括数据集限制、领域泛化和计算约束在内的挑战，并提出了合成数据生成、联邦学习和边缘AI部署等未来解决方案。通过弥合学术进展与工业应用之间的差距，本综述为选择和优化用于织物检测的YOLO模型提供了实用指南，从而为智能质量控制系统铺平了道路。

关键词：YOLO变体；实时缺陷检测；织物检测；纺织品深度学习；卷积神经网络；纺织工业；质量控制

1. 引言

        面料质量控制是纺织服装制造业的关键环节，因为诸如撕裂、污渍、破洞和图案错位等缺陷会影响最终产品的美观性和功能性。传统上，面料检测依赖于人工操作，其检测细微缺陷的能力取决于经验、直觉和判断[1]。然而，人工检测本身存在诸多局限性，例如，人为的迟钝、操作不一致以及高昂的人工成本[2]。这使得人工检测不适用于现代高速生产线，因为在现代高速生产线上，效率和精度至关重要[3,4]。近年来，计算机视觉技术的进步，特别是“你只需看一次”（YOLO）模型，通过实现面料缺陷的实时、高精度检测，彻底改变了质量控制方式。传统的人工面料检测劳动强度大且容易出现操作不一致的情况，因此，它不适用于现代高速生产线。基于深度学习的自动化缺陷检测系统的应用加速了这些挑战的解决[5]。在各种自动化方法中，基于深度学习的目标检测模型在革新纺织品制造的质量控制流程方面展现出巨大的潜力[6]。特别是，YOLO模型系列已成为领先的实时目标检测框架。YOLO的单阶段检测框架对纺织行业极具优势，因为高速生产线需要高效且可扩展的缺陷检测系统[7]。基于YOLO的系统能够在不同班次和不同产量下提供一致的缺陷检测性能，从而消除人为错误，并确保在高吞吐量环境下的可扩展性[8,9]。YOLO模型系列已成为领先的实时目标检测框架，为高速制造环境中的织物缺陷检测提供高效且可扩展的解决方案[10]。尽管YOLO模型具有这些优势，但将其应用于织物缺陷检测仍面临诸多挑战，包括处理各种缺陷类型、不同的织物纹理和光照条件，同时保持高精度和高速度[11,12]。YOLO从早期注重速度的YOLO-v1到YOLO-v3版本，发展到更先进的YOLO-v4到YOLO-v11架构，这些架构集成了注意力机制、多尺度检测和特征融合，以改进缺陷定位和分类[13]。相比之下，最新版本融合了基于Transformer的注意力机制、多尺度检测和自适应学习等高级功能，显著增强了检测织物中细微和复杂缺陷的能力[14,15]。这些进步与工业4.0实践的日益普及相契合，在工业4.0中，自动化和实时分析对于保持全球市场的竞争力至关重要。本次综述的研究结果具有重要的工业意义，包括：能够更快地检测缺陷、减少生产停机时间并降低成本[16]，从而提高实际制造流程的效率。尽管已有若干综述探讨了深度学习在织物缺陷检测中的应用[17]，但大多数先前的研究范围有限，要么侧重于传统技术，要么侧重于特定的YOLO版本和应用场景[18]。例如，Rasheed等人[19]回顾了传统的基于直方图和纹理的方法。类似地，Czimmermann等人[20]提供了详细的缺陷分类。然而，他们指出，目前尚无适用于各种材料的通用检测方法。相比之下，Li等人[21]和Ahmad等人[22]强调了向基于学习的方法的转变，但他们缺乏对近期架构创新（例如Transformer集成）的涵盖。最近，Neethu 等人 [23] 比较了传统缺陷检测方法和自动化缺陷检测方法，但他们对深度学习模型在真实工业环境中的挑战和局限性的讨论有限。

        与以往的综述不同，本综述全面分析了YOLO模型，涵盖YOLO-v1至YOLO-v11，重点关注其架构演变以及在织物缺陷检测中的实际应用。与以往仅关注传统方法或YOLO部分版本的综述不同，本研究系统地评估了整个YOLO系列模型的性能、优势和局限性，尤其是在纺织品制造领域。

通过整合注意力机制、多尺度检测和Transformer集成等最新进展，我们深入评估了每个YOLO版本如何应对织物缺陷检测中的挑战，包括缺陷变异性、纹理适应性、对光照条件的鲁棒性以及计算效率。这种更广阔的视角弥合了学术研究与工业应用之间的差距，为研究人员和从业人员选择和优化用于织物检测任务的YOLO模型提供了实用指南。

1.1 研究目标

本研究的主要目标是评估 YOLO 算法的演变及其在织物缺陷检测中的应用，以满足纺织品制造中日益增长的对精准高效质量控制的需求。本综述旨在回答以下关键研究问题：

YOLO模型的有效性：基于YOLO的模型在检测和定位织物缺陷方面与传统检测方法相比如何？哪些特定缺陷类型最适合使用这些模型进行识别？

2. 与先进架构的集成：Transformer集成和注意力机制等创新如何提升YOLO模型在实际制造环境中的准确性、速度和适应性？

3. 挑战与工业应用：部署基于YOLO的织物缺陷检测系统面临哪些关键挑战？包括数据集多样性、实时性能以及高速生产线的可扩展性。

为了解答这些研究问题，本综述对YOLO目标检测框架（从YOLO-v1到YOLO-v11）进行了全面分析，重点关注它们在纺织行业实时织物缺陷检测中的应用。

本文系统地考察了YOLO各变体的架构改进和实际应用，重点阐述了它们在缺陷定位、精度和工业可扩展性方面的贡献。

本文的主要贡献包括：

• 对专门为织物缺陷检测任务设计的YOLO模型进行了深入的比较分析。

• 探讨了近期创新技术的影响，包括CIoU、CloU、注意力机制和自适应学习。

• 指出了工业部署中当前面临的挑战和局限性。

• 为实时织物检测系统的模型选择和未来研究方向提供了实用指南。

本文的研究结果凸显了织物质量检测与控制以及各种织物类型的自动检测方面存在的研究空白，并指出了YOLO变体改进的必要性。

通过利用YOLO及其变体的强大功能，可以充分发挥织物缺陷检测的潜力，为该领域的新研究方向和集中研究铺平道路。

1.2 论文结构

        本文分为以下几个部分：第 2 节介绍目标检测和原始 YOLO 算法，随后是第 2.2.1 节至第 2.2.11 节，涵盖了从 YOLO-v1 到 YOLO-v11 的 YOLO 系列算法。第 3 节重点介绍使用 YOLO 进行织物缺陷检测、在纺织制造中的应用以及织物缺陷检测和相关应用可利用的领域。第 4 节讨论了织物检测，重点介绍了在工业环境中使用 YOLO 进行缺陷检测的优势。最后，第 5 节给出结论，
总结了本文的关键点，并对YOLO 在织物缺陷检测方面的潜力和局限性进行了最终评估。

图 1 展示了本文的综述结构。

1.3 相关综述

        如表1所示，此前已有若干综述探讨了织物缺陷检测方法。然而，这些研究大多集中于YOLO模型的有限子集或通用目标检测技术，而未深入探讨YOLO新变体的演进及其性能比较。此外，大多数现有工作并未反映深度学习架构的快速发展，例如YOLO-v9至YOLO-v11中注意力机制、Transformer模块和高级损失函数的集成而且，鲜有综述系统地考察实时纺织品检测场景中检测精度、速度和计算效率之间的实际权衡为了弥补这些不足，本文对基于YOLO的织物缺陷检测进行了全面且最新的综述，涵盖了最新的创新成果以及工业部署所面临的挑战.

        Rasheed等人[19]研究了传统的检测技术，例如基于直方图和基于纹理的方法，但强调了这些方法对光照和成像系统等条件的敏感性，这些条件可能会影响可靠性。同样，Czimmermann等人[20]提供了缺陷的详细分类，但指出缺乏适用于各种材料的通用检测方法。Li等人[21]和Ahmad等人[22]强调了传统算法和基于学习的算法研究的进展。他们承认存在一些挑战，例如将方法应用于不同的条件以及数据标注的高成本。

        Neethu等人[23]和Jha等人[24]证明了自动化和基于深度卷积神经网络（CNN）的方法的有效性。然而，它们对大型标注数据集的依赖以及模型可解释性问题仍然是显著的缺点。Kulkarni等人[25]研究了基于深度卷积神经网络（CNN）的检测方法，并指出这些方法存在一些局限性。 [25] 专注于通过实时监控进行主动质量控制，但图像质量限制了其系统的性能。

Carrilho 等人 [26] 回顾了多种方法，但指出缺乏用于训练和验证的标准化数据集。Hussain [27] 回顾了 YOLO 从 v1 到 v8 的所有主要版本，并对其架构演变、训练策略和性能指标进行了详细分析。然而，应用选择可能无法完全代表 YOLO 的所有可能用途。所有这些调查都强调了织物缺陷检测的重要性，并且需要进一步的研究来应对诸如目标检测工具框架的开发、在实际制造环境中检测复杂织物缺陷、集成新兴深度学习模型以及提高可扩展性等挑战。相比之下，本研究利用 YOLO 框架进行实时缺陷检测，能够立即识别织物缺陷，从而增强制造过程中的质量控制流程。

2. 目标检测

        目标检测是计算机视觉中的一项基本任务，用于识别和定位图像中的物体。近年来，深度学习的准确性和效率显著提高，使其成为一个重要的研究领域[27]。目标检测涉及识别和定位图像中的物体（例如，人、车辆）。在过去的二十年中，目标检测技术取得了快速发展，深刻影响了整个计算机视觉领域[28]。

        除了织物缺陷检测之外，目标检测技术已在各个领域得到广泛应用。在自动驾驶领域，目标检测模型用于识别车辆、行人、交通标志和障碍物，从而促进智能交通系统的发展。在医疗保健领域，目标检测有助于识别医学影像中的异常情况，例如CT扫描和X光片中的肿瘤，从而提高诊断准确率。此外，视频监控系统利用目标检测技术实时监控可疑活动，从而支持安保和执法工作。这些模型有助于检测害虫、估算作物产量以及监测农业中的植物健康状况。目标检测在零售业也发挥着至关重要的作用，尤其是在货架库存监控和顾客行为分析方面；在机器人和智能制造领域，目标检测也用于视觉检测、物体抓取和缺陷分类。这些跨领域应用凸显了目标检测框架（例如 YOLO）的多功能性和影响力，能够解决各个领域的实际问题。目标检测的准确性至关重要，它涵盖了分类精度、定位精度以及处理速度，这两项指标是评估目标检测系统的关键指标。

        作为计算机视觉的一项基础任务，目标检测支持许多其他应用，包括实例分割 [29]、图像描述 [30] 和目标跟踪 [31]。过去几年深度学习技术的飞速发展显著加速了目标检测领域的进步，取得了显著突破，并使其成为一个关键的研究领域。

        近年来，目标检测已被应用于各种实际场景，包括自动驾驶[32]、机器人视觉[33]和视频监控[34]。在深度学习目标检测领域，YOLO框架是最具影响力的技术之一，它在图像和视频目标检测方面都展现出了卓越的性能。卷积神经网络（CNN）由福岛[35]于1980年提出，是现代计算机视觉任务的基础，包括活动识别、图像分类、文本识别、人脸识别、目标检测和定位[36-41]以及图像特征提取[42]。卷积神经网络（CNN）由相互连接的神经元组成，每个神经元都具有可学习的权重和偏置，这些神经元被组织成层——一个输入层、多个隐藏层（例如，卷积层、池化层和全连接层）

以及一个输出层。卷积层应用卷积运算来提取诸如边缘或纹理之类的特征，而池化层则降低空间维度，以防止过拟合并提高计算效率[43]。全连接层整合这些特征以进行预测。受人类视觉皮层的启发，CNN模拟了视觉刺激的分层处理，其中较低层检测基本特征，而较高层识别复杂模式。

一些研究致力于开发高效且鲁棒的织物缺陷检测方法。Mak等人[44]提出了一种计算高效且鲁棒的织物缺陷检测方案，该方案利用Gabor小波进行特征提取，并利用形态学滤波器进行缺陷隔离。

该系统的性能通过离线和实时测试得到验证，证明了其有效性和在纺织行业实际应用的潜力。他们的研究结合了Gabor小波网络（GWN）和形态学滤波器，处理包含78张织物图像（39张无缺陷图像和39张有缺陷图像）的数据集，这些图像来源于标准缺陷手册。结果表明，总体检测率为97.4%，误报率为2.6%，仅有两例漏检。Liu等人[45]提出的PRC-Light YOLO模型是YOLO-v7架构的改进版，旨在高效、准确地检测织物缺陷。

这些改进旨在降低计算成本，同时提高特征提取和训练过程的鲁棒性。作者通过消融实验和与其他最先进的目标检测模型的比较，证明了其方法的有效性。他们用 RFB 替换了 YOLO-v7 颈部模块中的单点完美和复杂度敏感完美 (SPPCSP) 特征金字塔。RFB 采用具有不同膨胀率的多分支卷积来捕获多尺度信息并扩展感受野，从而增强对微小缺陷的检测。

Jing 等人 [46] 提出了一种针对织物缺陷检测的 YOLO-v3 模型的实用有效的改进。通过集成优化的锚框和增强的特征融合，显著提高了检测精度，使这项工作对自动化纺织品质量控制领域做出了宝贵的贡献。虽然原始的 YOLO-v3 模型依赖于预先定义的锚框，这对于尺寸和形状各异的织物缺陷而言并非最优，但他们通过将 K-means 聚类算法应用于已标记的织物缺陷数据集来解决这一局限性，从而确定锚框的最佳数量和大小（本例中为 12 个），并提高边界框回归的准确性。

在目标检测中，卷积神经网络 (CNN) 是单阶段（YOLO、SSD）和两阶段（Faster R-CNN）检测器的基础，能够实现目标分类和图像定位，如图 2 所示。

图 2. 目标检测器。

单阶段检测器将目标分类和定位集成到一个未插值网络中，从而实现适用于实时应用的高速检测。

这些检测器绕过了区域提议生成等中间阶段，直接预测边界框和类别概率。虽然这种设计确保了效率，但可能会降低准确性，尤其是在检测小型或被遮挡的目标时。另一方面，两阶段检测器，例如 Faster R-CNN [47]，生成区域候选区域，并在第二阶段参考这些候选区域进行分类和定位 [48]。这一额外的步骤提高了精度，但通常会增加计算复杂度并导致推理时间变慢。

单阶段检测器和两阶段检测器之间的选择取决于应用的速度和精度要求，这凸显了卷积神经网络 (CNN) 在适应各种目标检测挑战方面的多功能性。以 Faster R-CNN [49] 为例的两阶段检测器采用更分段的处理流程来优先考虑精度。该模型在第一阶段生成区域候选区域，然后在第二阶段对其进行分类和参考。这种方法使两阶段检测器能够实现更高的定位和分类精度 [50]。然而，额外的计算步骤增加了处理时间，使其不太适合实时应用。相反，两阶段检测器非常适合对精度要求极高的场景，例如医学成像[51]，其中检测微小异常至关重要；或者工业检测，其中需要进行精细的物体识别。这些方法的主要区别在于它们在速度和精度之间的权衡。单阶段检测器在速度至关重要的场景中表现出色，而两阶段检测器则更适合需要高精度和精细物体识别的任务。

2.1 YOLO架构：主干、颈部和头部

        YOLO架构由三个主要组件构成——主干、颈部和头部——每个组件在其变体中都会进行显著的修改以提升性能[52]。主干负责从输入数据中提取特征，通常由在大型数据集（例如ImageNet）上预训练的卷积神经网络（CNN）组成[53]。YOLO变体中常用的主干包括ResNet-50、ResNet-101和CSPDarkNet-53，它们各自提供不同的深度和特征提取能力，以平衡速度和精度[54]。颈部进一步处理和优化主干生成的特征图。它通常采用高级技术，例如特征金字塔网络（FPN）和空间注意力模块（SAM），以增强特征表示并确保在不同尺度上实现稳健的目标检测[55]。

        头部接收来自颈部的融合特征，并预测边界框和类别概率。YOLO 的头部通常使用多尺度锚框，从而能够有效检测各种尺寸的物体 [56]。这种多尺度方法确保 YOLO 在各种环境中都能很好地检测小型和大型物体。

2.2 YOLO 变体

YOLO 是一个实时目标检测框架，旨在高效地定位和分类图像中的目标。目标检测是计算机视觉中的一项关键任务，它利用神经网络来实现这些目标。本节重点介绍 YOLO 变体的演进，从 YOLO-v1 到 YOLO-v11，如图 3 所示。

所有 YOLO 模型的基础都是卷积神经网络 (CNN)，CNN 被广泛应用于目标检测任务。由于 YOLO 模型的开源特性和通用性，研究人员和工程师已将其应用于目标检测和分割领域。

2.2.1. YOLO-v1：原始模型

        YOLO-v1 由 Redmon 等人 [57] 提出，是第一个将目标检测视为单一回归问题的实时目标检测模型。它将输入图像分割成网格，每个网格单元在一次前向传播中预测边界框和类别概率。基于 Darknet 框架，该架构能够以惊人的速度进行实时处理，如图 4 所示。YOLO-v1 通过卷积网络处理 448 × 448 的图像，生成 7 × 7 × 1024 的特征图，然后通过全连接层生成 7 × 7 × 30 的输出。每个网格单元预测边界框的位置、置信度和类别概率。

其损失函数包含定位、置信度和分类分量，使用惩罚项来优先考虑准确的目标检测并抑制误报。然而，由于其网格结构粗糙，它难以处理小型或相邻目标，并且与 Faster R-CNN 等两阶段检测器相比，定位误差更高。尽管存在这些局限性，YOLO-v1 在 PASCAL VOC 数据集上实现了 45 FPS 的快速推理速度和 63.4% 的 mAP，使其非常适合对时间要求较高的应用 [65]。其更快的变体“Fast YOLO”以降低精度（52.7% mAP）为代价，实现了 155 FPS 的推理速度。

2.2.2. YOLO-v2

        YOLO-v2 由 Redmon 和 Farhadi 于 2016 年提出 [58]，是对原始 YOLO 模型的改进，旨在提高实时目标检测的精度和速度。它通过改进架构并引入新技术，解决了 YOLO-v1 的关键局限性。具体而言，YOLO-v2 通过集成交互式改进（例如批量归一化、更高分辨率的检测和锚框）来增强目标检测任务并改进分类，如表 2 所示。为了实现有效的下采样，YOLO-v2 在其网络结构中结合使用了池化操作和 1×1 卷积层。YOLO-v2 移除了全连接层，使模型能够处理从 320×320 到 608×608 的输入分辨率，从而提高了跨多个尺度的检测性能。这项改进提升了模型的灵活性，并借助更高分辨率的分类器，使平均精度均值 (mAP) 提高了 4%。与 YOLO-v1 不同，YOLO-v2 使用 448 × 448 像素的图像进行训练，并进行了精细化微分 (ffne)，以提高高分辨率输入的精度。引入批量归一化以增强训练稳定性，使 mAP 额外提高了 2%。YOLO-v2 还改进了边界框预测，使用相对于网格单元的坐标而非绝对位置来估计坐标，使 mAP 提高了 5%，并提高了预测框形状的一致性。YOLO-v2 相较于 YOLO-v1 进行了显著改进，采用了先进的数据增强技术、优化的方法和架构变更，包括用卷积层替换全连接层，以及添加锚框以增强定位效果。如图 5 所示，

这些改进降低了架构的复杂度，提高了检测速度，并改善了对高分辨率图像的处理能力。Darknet-19 骨干网络包含 19 个卷积层和 5 个最大池化层，构成了 YOLO-v2 的核心。该模型的召回率提高了 7%，但平均精度均值 (mAP) 略微下降了 0.3%。K-means 聚类方法优化了锚框的选择，提高了预测精度。此外，受 ResNet 启发的跳跃连接通过融合高分辨率和低分辨率特征，增强了模型检测小目标的能力，使平均精度均值 (mAP) 额外提高了 1%。

        该设计在准确性和效率之间取得了平衡，使 YOLO-v2 轻量级，适用于实时应用。一项显著改进是使用了锚框，这使得模型能够通过预先定义物体的多种形状和大小来更准确地预测边界框。这使得 YOLO-v2 能够更好地处理不同尺度的物体，而 YOLO-v1 在处理较小物体时表现不佳，如图 6 所示。

YOLO-v2 的工作原理是将输入图像分割成一个 (s × s) 的网格，其中每个网格单元预测边界框和类别概率。对于每个边界框，网络预测五个参数：中心坐标 (x, y)、宽度、高度和物体置信度分数。YOLO-v2 通过从训练数据中聚类的锚框来使用维度优先级，从而提高定位精度。在训练过程中，该模型通过整合边界框坐标的定位损失和对象类别的分类损失，增强了对象置信度得分和类别概率。所有卷积层的批量归一化有助于增强收敛性并防止过拟合。YOLO-v2 还支持多尺度训练，即在训练过程中周期性地改变输入尺寸，使模型能够适应不同的分辨率。因此，YOLO-v2 在精度和速度之间实现了良好的平衡，使其适用于自动驾驶、监控和机器人等实时应用。

2.2.3. YOLO-v3

        YOLO-v3 由 Redmon 和 Farhadi 于 2018 年提出 [59]，它进一步改进了 YOLO 框架，在保持实时速度的同时，提升了小目标的检测性能和精度。YOLO-v3 专为目标检测和多尺度检测任务而设计。它在边界框预测中引入了无目标分数，并将主干网络层连接到三种不同粒度的预测结果，从而增强了对较小目标的检测。该架构建立在先前版本成功的基础上，并引入了一些新思路。它采用了一种名为 Darknet-53 的更高级的特征提取器，该提取器由53 个卷积层组成。它利用残差连接（类似于 ResNet）来增强梯度流并提高模型稳定性，如图 7 所示。

该版本还采用了特征金字塔网络 (FPN) 结构，使 YOLO-v3 能够通过预测三层来检测多尺度目标。YOLO-v3 架构的处理流程包含多个关键组件，包括 1×1 卷积层、卷积集、上采样层和拼接操作，这些组件增强了跨尺度的特征提取和融合。该网络采用残差连接来促进更好的梯度传播和稳定性。在最终预测之前，使用 Conv2D 1×1 层进行高效的特征处理。这些组件的集成使 YOLO-v3 能够在保持计算效率的同时捕获丰富的空间信息。

        此外，YOLO-v3 不再使用 SoftMax 进行多类预测，而是为每个类别分配独立的逻辑分类器，使其更适合标签重叠的数据集。尽管 YOLO-v3 的准确率高于其前代版本，但计算量更大，需要更多资源。该模型没有使用 SoftMax 函数进行分类，而是采用了二元交叉熵损失，从而可以将多个标签分配给同一个边界框。该架构还引入了一个名为 Darknet-53 的更深层特征提取网络，它包含 53 个带有残差连接的卷积层。这种设计用步长的卷积层取代了传统的最大池化层，强调残差学习以改善梯度流。此外，该模型从评估 PASCAL VOC 数据集 [67] 过渡到使用 Microsoft COCO 数据集 [68]，后者已成为后续 YOLO 版本的标准基准。为了改进锚框选择，我们采用 K-means 聚类 [69] 在三个不同的特征图尺度上创建了八个锚框。较小的锚框被分配给更高分辨率的特征图，从而提高了定位精度。另一个架构改进是在主干网络中集成了空间金字塔池化 (SPP) 模块，这有助于扩展感受野并捕获多尺度上下文信息。

        YOLOv3 的架构详见表 3，

它基于 416 × 416 的输入图像，在三个不同的尺度（13 × 13、26 × 26 和 52 × 52）上执行目标检测。这些多尺度预测得益于深度残差网络结构，其中每个检测尺度都通过多个卷积块和残差块学习到的特征图进行增强。在这些尺度下，每个网格单元都与三个锚框相关联，从而增强了模型检测不同尺寸物体的能力。这些架构改进使 AP-50 提升了 2.7%。总体而言，YOLOv3 展现出极具竞争力的性能，在保持 20 帧/秒 (FPS) 实时推理速度的同时，实现了 36.2% 的平均精度 (AP) 和 60.6% 的 AP-50，超越了几个先前的高性能目标检测模型。

2.2.4. YOLO-v4

       YOLO-v4 由 Bochkovskiy [60] 于 2020 年发布，代表了目标检测领域的一项重大进步，它通过提高精度和速度，使其非常适合消费级硬件上的实时应用。它专为目标检测和多尺度检测任务而设计，其改进旨在更好地检测更小的目标，并针对不同尺寸的目标优化性能，如图 8 所示。

YOLO-v4 的核心是 CSPDarknet-53，它是 Darknet-53 的演进版本，引入了跨阶段部分连接 (CSP)，以增强梯度流并降低计算成本。YOLO-v4还引入了空间金字塔池化（SPP）层，通过聚合多尺度特征来增加感受野；以及路径聚合网络（PANets），来增强低级和高级特征的流动，从而提高对不同尺寸物体的检测能力。

        为了优化速度与精度之间的平衡，YOLO-v4 集成了多种“特殊方法包”（Bag of Specials），如 Mish 激活函数，以及“免费方法包”（Bag of Freebies），例如数据增强、完全 IoU (CIoU) 损失和马赛克增强。这些技术共同增强了训练效果而不会对推理速度产生负面影响。例如，马赛克增强通过将四张图像随机组合成一张，使模型接触到不同的上下文，从而提高了泛化能力。YOLO-v4 中的检测流程遵循先前 YOLO 版本的基本结构并在多个阶段进行了关键改进。输入图像被分割成网格，并在三个不同的尺度上进行预测，以处理各种尺寸的目标。每个网格单元使用锚框预测多个边界框，参数包括坐标 (x, y)、宽度、高度和目标置信度分数。在训练过程中，YOLO-v4采用多尺度训练，动态调整输入分辨率以增强在不同图像尺寸下的鲁棒性。损失函数使用 CIoU，它结合了
重叠度和宽高比的考量，从而提高了定位精度。这些创新使得 YOLO-v4 能够在保持高推理速度的同时，达到最先进的精度。其高效的检测流程和稳健的性能使其成为自动驾驶和视频监控系统等实时应用的理想选择。YOLO-v4 的架构旨在有效平衡检测精度和计算效率，如表 4 所示。

输入图像通常被调整为 608 × 608 像素，并在输入网络之前首先进行归一化处理。该架构以一个包含 32 个滤波器的 3×3 卷积层开始，随后是一个包含 64 个滤波器且步长为 2 的 3×3 卷积层进行下采样，以提取底层特征。为了提高学习效率并降低计算开销，YOLOv4 在网络的不同阶段集成了 CSP 模块。这些模块将特征图分成两条路径——一条路径经过多个卷积层处理，另一条路径则绕过这些卷积层——然后再进行合并，从而改善梯度流并减少冗余计算。随着网络深度的增加，CSP 模块会依次应用于不同的深度（64、128、256 和 512 个滤波器），最终形成一个 SPP 模块，用于聚合多个感受野的上下文特征。最后，YOLO 头部以三种输出分辨率执行多尺度检测，从而实现对各种尺寸物体的鲁棒检测。

2.2.5. YOLO-v5

        YOLO-v5 由 Ultralytics 团队于 2020 年发布 [72]，标志着目标检测领域的重大进步，它兼具速度、准确性和简易性，能够满足实时应用的需求。YOLO-v5 专为目标检测和基本实例分割任务而设计，如图 9 所示，

它在训练技术和网络设计方面进行了多项改进，使其即使在消费级硬件上也能高效运行。它减少了网络参数，头部采用跨阶段部分网络 (CSP-Net)，颈部采用 PANet，并且它还引入了残差结构和自动锚框功能，与之前的 YOLO 版本相比，性能更快、更轻量。此外，它还采用了马赛克增强技术，在训练过程中随机组合四张图像，使模型接触不同的上下文，从而提高泛化能力。这些增强功能使 YOLO-v5 的训练极其简便，并且适用于对单个图像、批量图像、视频流和网络摄像头端口进行推理，同时具有出色的权重迁移性和可重用性。YOLO-v5 的流程遵循精简的结构。首先，输入图像被调整大小至 640 × 640 像素并进行归一化。然后，图像通过 CSPDarknet 主干网络，
提取多尺度特征。这些特征被送入颈部，颈部通常由特征金字塔网络 (FPN) 和路径聚合网络 (PANet) 层组合而成，确保高层和低层特征得到有效融合，从而检测不同大小的物体。检测头预测边界框、物体置信度分数和类别概率。预测在三个不同的尺度上进行，这使得 YOLO-v5 能够稳健地检测大小不同的物体。 YOLO-v5 应用了非极大值抑制 (NMS) 来消除重叠框，并在推理过程中保留最可靠的预测结果。模型的损失函数融合了完全 IoU (CIoU) 损失，该损失考虑了预测框和真实框之间的重叠度、距离和长宽比，从而提高了定位精度。多尺度训练通过在训练过程中动态调整输入分辨率，进一步增强了模型的鲁棒性。凭借这些优化，YOLO-v5 在速度和精度之间实现了显著的平衡，使其非常适合自动驾驶、监控和工业检测等应用。YOLO-v5 结合了创新的训练技术和轻量级架构，使其能够以最小的计算资源实现实时性能，确保其在各个领域的广泛适用性。表 5 呈现了YOLO-v5 的 ffve 变体（n、s、m、l 和 x）的比较分析，重点突出了模型大小、准确性和计算效率之间的权衡。

2.2.6. YOLO-v6

        YOLO-v6 由美团视觉 AI 部门团队 [61] 开发，基于 YOLO 框架构建。它致力于在速度和精度之间实现更佳的平衡，使其适用于工业和实时应用。YOLO-v6 专为目标检测和实例分割任务而设计，引入了多项架构升级，包括重新设计的 EfficientRep 主干网和 Rep-PAN 颈部，以及解耦的网络头部，该网络头部将不同的特征与最终头部分离，如图 10 所示。

这种配置提高了模型对小目标的检测能力，并支持无锚框训练，但与 YOLO-v5 相比，其稳定性和灵活性略有下降。该架构还包括一个带有双向交叉阶段部分 (BiCSP) 层的特征金字塔网络 (FPN) 和一个优化的检测头，在保持计算效率的同时增强了特征提取和融合。YOLO-v6 还集成了倾斜交并比 (SIoU) 损失函数，以提高定位精度，从而增强模型在目标检测中的准确率。YOLO-v6 的处理流程始于输入预处理，图像被调整大小为 640 × 640 像素并进行归一化。这些图像经过 EfficientRep 主干网络，该网络将残差结构与重新参数化的卷积相结合，确保高效的特征提取，同时缩短推理时间。主干网络输出多尺度特征图，这些特征图被输入到由 FPN 和 BiCSP 层组成的颈部。这些层聚合跨尺度的特征，从而能够稳健地检测不同尺寸的目标。

检测头随后处理特征，预测边界框、类别概率和跨多个尺度的目标置信度得分。在训练过程中，SIoU 损失增强了预测框和真实框之间的对齐度，而多尺度数据增强则提高了模型的泛化能力。在推理过程中，模型应用非极大值抑制 (NMS) 来过滤掉冗余的边界框，仅保留置信度最高的预测结果。YOLO-v6 的模块化设计和高效的计算能力使其非常适合实时应用，例如视频监控、自主系统和制造业。

       与前代产品相比，其精简的架构在速度和精度方面均有所提升，同时保持了灵活性，可部署在计算资源各异的设备上。表 6 对 YOLO-v6 的四个变体（n、s、m 和 l）进行了比较分析，重点阐述了模型大小、精度和计算效率之间的权衡。

2.2.7. YOLO-v7

       YOLO-v7 由 Chien-Yao 等人 [62] 开发，通过引入创新方法在不增加推理成本的情况下提高速度和精度，为实时目标检测树立了新的标杆。YOLO-v7 专为目标检测、目标跟踪和实例分割等任务而设计，它通过 E-ELAN 实现层聚合、优化网络设计以及利用可训练的“免费赠品包”方法增强了其架构，从而在不影响实时推理的情况下提高模型训练性能。这些创新，加上网络参数减少 35%，提高了速度和精度，使训练和推理更加高效。该模型还支持扩展基于级联的结构，从而在计算需求和检测精度之间取得平衡。 YOLO-v7 的改进之处在于引入了优化的特征重参数化模块和动态标签分配，将检测任务分配给特定的输出层，从而提高计算效率和检测精度。该模型采用了两种新的缩放方法：“扩展”和“复合缩放”，允许跨各种参数优化模型性能，并针对不同的硬件配置进行调整。该架构利用这种扩展设计来提高检测精度，同时优化计算和参数使用。

预处理后，输入图像被调整为 640 × 640 像素。YOLO-v7 将数据传递给一个重参数化的骨干网络，该网络通过模块化卷积和线性运算的组合来增强特征提取。检测头处理多尺度特征图，并输出边界框、类别概率和置信度分数。在推理过程中，非极大值抑制 (NMS) 会移除冗余的边界框，从而只提供最准确的预测结果。 YOLO-v7 的创新贡献为实时目标检测和推理速度树立了新的标准，使其适用于视频分析、机器人和嵌入式系统等应用。其精简、可扩展的架构确保了高效的处理能力，同时保持了高任务精度。表 7对 YOLO-v7 的五个变体（Tiny、v7、X、E6 和 D6）进行了比较研究，重点阐述了模型大小、精度和计算效率之间的权衡。

2.2.8. YOLO-v8

       YOLO-v8 [76] 是 YOLO 系列的最新版本，它通过集成改进的模型组件和新型处理技术，突破了实时目标检测的界限，提高了精度和计算效率。YOLO-v8 专为目标检测、实例分割、分类、方向检测和姿态/关键点检测而设计。它采用模块化架构，具备无锚点检测、解耦定位、分类头、自适应无锚点方法和改进的非极大值抑制 (NMS) 等特性。这些改进提高了各种图像尺寸下的精度，实现了灵活的扩展性，在实时应用中具有高度适应性，并降低了误报率。YOLO-v8 的开发重点在于适应性，它引入了模块化元素，使用户能够根据硬件限制和应用特定需求来调整模型的深度和宽度。 YOLO-v8 的显著改进包括：特征提取技术的提升以及检测头的更佳分离，从而能够独立处理定位和分类任务，提高准确率和速度。

        此外，YOLO-v8 还采用了自适应无锚点检测和增强型非极大值抑制 (NMS) 技术，从而减少误报并提高输出预测的清晰度。该架构还强调了模型的可扩展性，支持各种图像尺寸，同时在计算资源受限的环境下保持高精度。凭借这些创新，YOLO-v8 为包括自主系统、监控和增强现实在内的各种应用树立了新的性能标杆，为现代实时目标检测任务提供了极大的灵活性和可靠性。表 8 对 YOLO-v8 的五个变体（n、s、m、l 和 x）进行了比较研究，重点分析了模型大小、准确率和计算效率之间的权衡。

2.2.9. YOLO-v9

       YOLO-v9 由 Wang 等人 [63] 开发，代表了 YOLO 系列的重大进步。YOLO 系列通过将基于 Transformer 的注意力机制直接集成到其骨干网络中，实现了检测能力的显著提升。这一改进使 YOLO-v9 能够更有效地处理复杂场景，从而区别于早期版本。Transformer 中的自注意力机制能够捕获全局上下文关系，使模型能够区分重叠的缺陷，例如交织的线头或相邻的撕裂，这对于传统的基于 CNN 的模型来说通常具有挑战性。通过分析整个空间上下文，YOLO-v9 即使在密集或杂乱的环境中也能确保缺陷的精确定位和分类。YOLO-v9 专注于目标检测和实例分割，并进行了多项重大改进，例如，优化的分词以实现更高效的特征表示，以及用于目标跟踪和检测的 uniffed 模块。这些升级带来了更快的复杂场景处理速度、更强的目标跟踪性能、更高的多目标环境精度以及更高效的高分辨率图像处理能力。此外，Transformer 层中优化的分词过程增强了特征表示，同时降低了计算负载。值得一提的是，新增了一个用于目标跟踪和检测的 uniffed 模块。该模块赋予模型实时跟踪能力，使其非常适合自动驾驶和监控系统等动态应用。

       此外，YOLO-v9 的架构能够无缝适应高分辨率图像，确保在各种图像尺寸下都能进行精确的目标检测，而不会显著增加计算需求。凭借这些创新，YOLO-v9 实现了高速、精准的检测，为需要在各种环境下实时跟踪和识别多个目标的应用树立了新的标杆。表 9 呈现了 YOLO-v9 的五个变体（t、s、m、c 和 e）的比较研究，重点介绍了模型大小、准确性和计算效率之间的权衡。

2.2.10. YOLO-v10

        YOLO-v10 由 Wang 等人 [64] 开发，在其前代产品的基础上，通过引入一种混合注意力机制，在其架构中结合了 Transformer 和卷积注意力层。如图 11 所示，

这种双重注意力方法使 YOLO-v10 能够以更高的精度处理复杂的空间和上下文细节，尤其是在密集或杂乱的场景中。与 YOLO-v9 仅依赖于主干网络中的 Transformer 注意力不同，YOLO-v10 策略性地在早期层中集成了卷积注意力，以有效地捕获局部特征。相比之下，Transformer 层则专注于全局上下文。这种组合对于重叠缺陷检测尤其有效，因为卷积注意力专注于精细的细节，例如细微的边缘或纹理。相比之下，基于Transformer的注意力机制分析更广泛的空间关系，确保对重叠缺陷进行精确的定位和分类。YOLO-v10架构采用双标签分配策略，包含一个一对多头和一个一对一头，以提升检测性能。该流程首先包含一个输入模块和一个骨干网络，用于进行分层特征提取。然后，路径聚合网络（PAN）处理这些提取的特征，以生成多尺度表示。YOLO-v10利用一个一对多头负责回归和分类任务，利用多个标签分配来提高召回率和鲁棒性。同时，一个一对一头采用严格的一对一匹配方法执行回归和分类，确保精确定位并最大限度地减少重复检测。最终一致性匹配指标通过改进标签分配过程，进一步增强了检测稳定性，提高了目标跟踪和分类的一致性。YOLO-v10 的任务包括目标检测，其显著增强功能结合了混合卷积和 Transformer 结构，以改进空间和上下文特征提取。这些改进专为低资源环境而设计，使 YOLO-v10 能够在计算资源有限的应用中表现出色。此外，OLO-v10 还集成了用于设备端部署的高级轻量级模块，显著提高了边缘设备性能，增强了对低功耗硬件的适应性，并在资源受限的设备上保持了高精度和高速度。YOLO-v10 还改进了分词和特征编码过程，优化了内存使用和计算效率。 YOLO-v10 的另一项突破是其自适应分辨率缩放功能，该功能可根据目标密度和场景复杂性动态调整处理分辨率。这确保了 YOLO-v10 在各种图像尺寸和分辨率下都能保持高检测性能，同时不会牺牲速度或精度。此外，YOLO-v10 还引入了增强型非插值检测和跟踪模块，提供先进的跟踪功能，尤其适用于自主机器人、智能监控和工业自动化等应用。通过在 COCO 数据集 [79] 上进行的实验，YOLO-v10 延续了 YOLO 系列高速、高精度的传统，不断突破实时多目标检测的界限。它能够满足各种真实场景中既需要高精度又需要上下文感知的应用需求。表 10 对比了 YOLO-v10 的六个变体（n、s、m、b、l 和 x）。总体而言，YOLO-v10 在准确性和效率方面均优于其前代产品以及其他最先进的模型。例如，YOLO-v10-s比 YOLO-v10-m 快 1.8 倍，同时保持了具有竞争力的平均精度 (mAP)。同样，YOLO-v10-b 的延迟比 YOLO-v10-l 降低了 46%，参数数量减少了 25%，同时保持了相当的性能水平。

2.2.11. YOLO-v11

        YOLO-v11 由 Ultralytics 团队 [72] 开发，它改进了 YOLO，并采用了先进的自适应学习和智能特征蒸馏技术，从而提高了检测效率。它基于 YOLO-v10 的双注意力系统，并集成了一个多尺度注意力架构，该架构能够动态地在网络的不同阶段调整其关注点，从而增强了对大小物体的检测能力。这使得 YOLO-v11 能够检测出可接受的缺陷（例如微撕裂）以及复杂场景中更显著的结构问题，包括织物纹理的变化。该模型利用空间注意力来改进不同分辨率的特征图，从而增强了在各种光照条件下的检测性能。

        YOLO-v11 集成了动态模型缩放功能，使架构能够根据可用的硬件资源调整其深度和宽度，从而确保在高性能 GPU 和边缘设备上都能高效运行。此外，半监督学习利用已标注和未标注数据，减少了对大量人工标注的需求。其上下文感知的自监督特征调优增强了对真实世界织物条件（例如光照和纹理变化）的适应性。该模型还引入了优化的轻量级检测头和自适应非极大值抑制 (NMS)，从而提高了计算效率并减少了误报。如图 12 所示，

YOLO-v11 的架构包含主干、颈部和头部，确保了高效的特征提取、空间特征优化和检测输出，使其成为工业环境中实时织物缺陷检测的强大解决方案。该架构在保持 YOLO 标志性速度的同时，提高了在需要快速精确检测的应用中的准确性，例如实时体育分析、自动驾驶车辆感知和复杂的工业自动化系统。

通过对这些机制的深入分析，YOLO-v11 为纺织行业的自动化质量控制树立了新的标杆。表 11 比较了五个 YOLO-v11 变体：YOLO-v11 (n、s、m、l 和 x)。它重点展示了模型大小、精度和计算效率之间的权衡。从 YOLOv5 到 YOLOv11 的所有模型都处理 640 × 640 像素的输入图像，YOLOv7 还支持 1280 × 1280 像素。它们的性能在关键指标上有所不同，例如不同阈值（mAP 50 和 mAP 50-95）下的平均精度均值 (mAP)、CPU ONNX 推理时间（毫秒）、Speed A100TensorRT（毫秒）、参数数量（百万）、每秒浮点运算次数 (FLOPs)以及帧率 (FPS)。这些性能指标是通过使用 COCO 数据集对预训练的检测模型进行实验而获得的。