Fugu-MT 論文翻訳(概要): YOLOv1 to YOLOv10: The fastest and most accurate real-time object detection systems

論文の概要: YOLOv1 to YOLOv10: The fastest and most accurate real-time object detection systems

arxiv url: http://arxiv.org/abs/2408.09332v1
Date: Sun, 18 Aug 2024 02:11:00 GMT
ステータス: 処理完了
システム内更新日: 2024-08-20 21:09:49.094424
Title: YOLOv1 to YOLOv10: The fastest and most accurate real-time object detection systems
Title（参考訳）: YOLOv1からYOLOv10: 高速かつ高精度なリアルタイム物体検出システム
Authors: Chien-Yao Wang, Hong-Yuan Mark Liao,
Abstract要約: 本稿では、最新の技術的観点から、YOLOシリーズの特徴を再検討する。我々は,過去10年間のYOLOシリーズの提案手法が,その後の技術の発展にどのように影響しているかを,より詳しく検討する。
参考スコア（独自算出の注目度）: 13.925576406783991
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This is a comprehensive review of the YOLO series of systems. Different from previous literature surveys, this review article re-examines the characteristics of the YOLO series from the latest technical point of view. At the same time, we also analyzed how the YOLO series continued to influence and promote real-time computer vision-related research and led to the subsequent development of computer vision and language models.We take a closer look at how the methods proposed by the YOLO series in the past ten years have affected the development of subsequent technologies and show the applications of YOLO in various fields. We hope this article can play a good guiding role in subsequent real-time computer vision development.
Abstract（参考訳）: これは、YOLOシリーズの総合的なレビューである。これまでの文献調査とは違って, 最新の技術的観点から, YOLOシリーズの特徴を再検討する。同時に、YOLOシリーズがリアルタイムコンピュータビジョン関連研究にどのように影響し続け、その後のコンピュータビジョンと言語モデルの発展に繋がったかを分析し、過去10年間のYOLOシリーズの提案した手法がその後の技術の発展にどのように影響しているかを詳しく調べ、様々な分野におけるYOLOの応用を示す。この記事は、その後のリアルタイムコンピュータビジョン開発において、優れた指針となることを願っている。

関連論文リスト

Hyper-YOLO: When Visual Object Detection Meets Hypergraph Computation [74.65906322148997]
本稿では,画像特徴量間の複雑な高次相関を捉えるためにハイパーグラフ計算を統合する新しいオブジェクト検出手法を提案する。 Hyper-YOLOは、高度なYOLOv8-NとYOLOv9Tを12%のtextval$と9%のAPMoonLabの改善で大幅に上回っている。
論文参考訳（メタデータ） (2024-08-09T01:21:15Z)
YOLOv5, YOLOv8 and YOLOv10: The Go-To Detectors for Real-time Vision [0.6662800021628277]
本稿では、YOLOv5, YOLOv8, YOLOv10に着目し、YOLO(You Only Look Once)オブジェクト検出アルゴリズムの進化に焦点を当てた。これらのバージョンにまたがるエッジデプロイメントのアーキテクチャの進歩、パフォーマンスの改善、適合性を分析します。
論文参考訳（メタデータ） (2024-07-03T10:40:20Z)
YOLOv10 to Its Genesis: A Decadal and Comprehensive Review of The You Only Look Once (YOLO) Series [6.751138557596013]
本研究は, YOLOv10からYOLOv9, YOLOv8, その後のバージョンに至るまで, YOLOアルゴリズムが導入した進歩について検討する。この研究は、自動車安全、医療、工業製造、監視、農業の5つの重要な分野におけるYOLOの変革的な影響を強調している。
論文参考訳（メタデータ） (2024-06-12T06:41:23Z)
YOLOv10: Real-Time End-to-End Object Detection [68.28699631793967]
リアルタイムオブジェクト検出の分野では,YOLOが主流のパラダイムとして浮上している。非最大抑圧(NMS)による処理後ハマーによるYOLOのエンドツーエンドデプロイメントへの依存。 YOLOの総合的効率-精度駆動型モデル設計戦略を紹介する。
論文参考訳（メタデータ） (2024-05-23T11:44:29Z)
YOLO-World: Real-Time Open-Vocabulary Object Detection [87.08732047660058]
オープン語彙検出機能でYOLOを強化する革新的なアプローチであるYOLO-Worldを紹介する。提案手法は,ゼロショット方式で広範囲の物体を高効率で検出する。 YOLO-WorldはV100上で52.0 FPSの35.4 APを達成した。
論文参考訳（メタデータ） (2024-01-30T18:59:38Z)
Agricultural Object Detection with You Look Only Once (YOLO) Algorithm: A Bibliometric and Systematic Literature Review [0.0]
オブジェクト検出器であるYou Look Only Once (YOLO)は、最先端のパフォーマンスのために比較的短い期間で農業で人気を博している。農業におけるYOLOの研究と応用は急速に加速しているが、断片化と多分野化が進んでいる。この研究は、YOLOのエンドツーエンド学習アプローチに関する情報を批判的に評価し、要約する。
論文参考訳（メタデータ） (2024-01-18T21:04:25Z)
YOLO-MS: Rethinking Multi-Scale Representation Learning for Real-time Object Detection [80.11152626362109]
YOLO-MSと呼ばれる効率的かつ高性能な物体検出器を提供する。私たちは、他の大規模なデータセットに頼ることなく、MS COCOデータセット上でYOLO-MSをスクラッチからトレーニングします。私たちの仕事は、他のYOLOモデルのプラグイン・アンド・プレイ・モジュールとしても使えます。
論文参考訳（メタデータ） (2023-08-10T10:12:27Z)
Model Compression Methods for YOLOv5: A Review [1.2387676601792899]
比較モジュラリティのため、我々はプルーニングと量子化に重点を置いています。これは、YOLOv5の実装の観点から、プルーニングと量子化の手法を調査する最初の具体的なレビュー論文である。我々の研究は、リソース制限されたデバイスに実装することで、新しいバージョンのYOLOにも拡張可能であり、今日でも同様の課題が続いている。
論文参考訳（メタデータ） (2023-07-21T21:07:56Z)
A Comprehensive Review of YOLO Architectures in Computer Vision: From YOLOv1 to YOLOv8 and YOLO-NAS [0.0]
YOLOは、ロボット工学、無人運転車、およびビデオ監視アプリケーションのための中心的なリアルタイムオブジェクト検出システムとなっている。本稿では,YOLOの進化を包括的に分析し,元のYOLOからYOLOv8,YOLO-NAS,YOLOをトランスフォーマーとしたYOLOまでの各イテレーションにおけるイノベーションとコントリビューションについて検討する。
論文参考訳（メタデータ） (2023-04-02T10:27:34Z)
A-ACT: Action Anticipation through Cycle Transformations [89.83027919085289]
未来を予測できる人間の能力が、機械学習アルゴリズムにどのように移行できるかを分析するために、一歩後退します。人間の心理学に関する最近の研究は、発生を予測して、人間の脳が両方のシステムにカウントされていることを説明している。本研究では,行動予測作業における各システムの影響について検討し,学習フレームワークに統合するためのパラダイムを導入する。
論文参考訳（メタデータ） (2022-04-02T21:50:45Z)
Learning to Anticipate Egocentric Actions by Imagination [60.21323541219304]
我々は,エゴセントリックなアクション予測タスクについて検討し,エゴセントリックなビデオの再生に先立って,将来のアクション秒を予測する。本手法は, EPIC Kitchens Action Precipation Challenge の既視テストセットと未確認テストセットの両方において, 従来手法を有意に上回った。
論文参考訳（メタデータ） (2021-01-13T08:04:10Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。