論文の概要: YOLOv8 to YOLO11: A Comprehensive Architecture In-depth Comparative Review

• arxiv url: http://arxiv.org/abs/2501.13400v1
• Date: Thu, 23 Jan 2025 05:57:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-24 15:59:17.109267
• Title: YOLOv8 to YOLO11: A Comprehensive Architecture In-depth Comparative Review
• Title（参考訳）: YOLOv8 - YOLO11 - アーキテクチャの詳細な比較
• Authors: Priyanto Hidayatullah, Nurjannah Syakrani, Muhammad Rizqi Sholahuddin, Trisna Gelar, Refdinal Tubagus,
• Abstract要約: 本研究では,最新の4つのYOLOモデルについて,包括的かつ詳細なアーキテクチャ比較を行った。 分析の結果、YOLOの各バージョンはアーキテクチャと特徴抽出が改善されているが、特定のブロックは変更されていないことがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: In the field of deep learning-based computer vision, YOLO is revolutionary. With respect to deep learning models, YOLO is also the one that is evolving the most rapidly. Unfortunately, not every YOLO model possesses scholarly publications. Moreover, there exists a YOLO model that lacks a publicly accessible official architectural diagram. Naturally, this engenders challenges, such as complicating the understanding of how the model operates in practice. Furthermore, the review articles that are presently available do not delve into the specifics of each model. The objective of this study is to present a comprehensive and in-depth architecture comparison of the four most recent YOLO models, specifically YOLOv8 through YOLO11, thereby enabling readers to quickly grasp not only how each model functions, but also the distinctions between them. To analyze each YOLO version's architecture, we meticulously examined the relevant academic papers, documentation, and scrutinized the source code. The analysis reveals that while each version of YOLO has improvements in architecture and feature extraction, certain blocks remain unchanged. The lack of scholarly publications and official diagrams presents challenges for understanding the model's functionality and future enhancement. Future developers are encouraged to provide these resources.
• Abstract（参考訳）: ディープラーニングベースのコンピュータビジョンの分野では、YOLOは革命的だ。 ディープラーニングモデルに関しても、YOLOは最も急速に進化しているモデルです。 残念なことに、全てのヨロモデルが学術刊行物を持っているわけではない。 さらに、公式なアーキテクチャ図が公開されていないYOLOモデルが存在する。 当然これは、モデルが実際にどのように動作するかを理解するのを複雑にするなど、課題を招きます。 さらに、現在利用可能になっているレビュー記事は、各モデルの仕様を詳しく調べていない。 本研究の目的は,最新の4つのYOLOモデル,特にYOLOv8からYOLO11の包括的かつ詳細なアーキテクチャ比較を行うことである。 各YOLOバージョンのアーキテクチャを分析するため,関連する学術論文,資料,ソースコードの精査を行った。 分析の結果、YOLOの各バージョンはアーキテクチャと特徴抽出が改善されているが、特定のブロックは変更されていないことがわかった。 学術出版物や公式図面の欠如は、モデルの機能と将来的な拡張を理解する上での課題を示している。 将来的にはこれらのリソースの提供が推奨される。

関連論文リスト

• Evaluating the Evolution of YOLO (You Only Look Once) Models: A Comprehensive Benchmark Study of YOLO11 and Its Predecessors [0.0]
  本研究では,YOLOv3から最新のYOLO11まで,YOLO(You Only Look Once)アルゴリズムのベンチマーク解析を行った。 トラフィックシグネチャ(さまざまなオブジェクトサイズを持つ)、アフリカ野生生物(多彩なアスペクト比と画像当たりのオブジェクトの少なくとも1つのインスタンス)、および船と船舶(単一のクラスの小さなオブジェクトを持つ)の3つの多様なデータセットでパフォーマンスを評価する。
  論文  参考訳（メタデータ） (2024-10-31T20:45:00Z)
• YOLOv1 to YOLOv10: The fastest and most accurate real-time object detection systems [13.925576406783991]
  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。
  論文  参考訳（メタデータ） (2024-08-18T02:11:00Z)
• 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$と9%のAPMoonLabの改善で大幅に上回っている。
  論文  参考訳（メタデータ） (2024-08-09T01:21:15Z)
• YOLO11 to Its Genesis: A Decadal and Comprehensive Review of The You Only Look Once (YOLO) Series [6.751138557596013]
  本稿では,YOLOv1からYOLOv11へのオブジェクト検出アルゴリズムの進歩を体系的に検討する。 この進化は、今後10年間、YOLOとマルチモーダル、コンテキスト認識、人工知能(AGI)システムを統合するための道のりを示している。
  論文  参考訳（メタデータ） (2024-06-12T06:41:23Z)
• YOLOv10: Real-Time End-to-End Object Detection [68.28699631793967]
  リアルタイムオブジェクト検出の分野では,YOLOが主流のパラダイムとして浮上している。 非最大抑圧(NMS)による処理後ハマーによるYOLOのエンドツーエンドデプロイメントへの依存。 YOLOの総合的効率-精度駆動型モデル設計戦略を紹介する。
  論文  参考訳（メタデータ） (2024-05-23T11:44:29Z)
• YOLO-World: Real-Time Open-Vocabulary Object Detection [87.08732047660058]
  オープン語彙検出機能でYOLOを強化する革新的なアプローチであるYOLO-Worldを紹介する。 提案手法は,ゼロショット方式で広範囲の物体を高効率で検出する。 YOLO-WorldはV100上で52.0 FPSの35.4 APを達成した。
  論文  参考訳（メタデータ） (2024-01-30T18:59:38Z)
• Identifying and Mitigating Model Failures through Few-shot CLIP-aided Diffusion Generation [65.268245109828]
  本稿では,突発的相関に付随する障害モードのテキスト記述を生成するためのエンドツーエンドフレームワークを提案する。 これらの記述は拡散モデルのような生成モデルを用いて合成データを生成するのに使うことができる。 本実験では, ハードサブポピュレーションの精度(sim textbf21%$)が著しく向上した。
  論文  参考訳（メタデータ） (2023-12-09T04:43:49Z)
• 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 lightweight and accurate YOLO-like network for small target detection in Aerial Imagery [94.78943497436492]
  小型ターゲット検出のためのシンプルで高速で効率的なネットワークであるYOLO-Sを提案する。 YOLO-SはDarknet20をベースとした小さな特徴抽出器と、バイパスと連結の両方を通じて接続をスキップする。 YOLO-Sはパラメータサイズが87%減少し、約半分のFLOPがYOLOv3となり、低消費電力の産業用アプリケーションに実用化された。
  論文  参考訳（メタデータ） (2022-04-05T16:29:49Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。