对象检测是计算机视觉中的核心任务，涉及识别和定位图像中的对象。实时对象检测对自动驾驶、监控和机器人等应用至关重要。YOLO（You Only Look Once）系列自 2015年问世以来，因其速度和准确性而广受关注。
YOLO 系列的历史与演进
YOLO 系列始于 2015年的 YOLOv1，由 Redmon 等人提出，首次实现单网络实时对象检测。它将图像划分为网格，每个网格预测边界框和类别概率，显著提升了检测速度。首个单阶段实时检测框架，通过网格划分与全局回归实现“看一眼即检测”。其缺陷在于定位精度低、小目标漏检率高。
YOLO
YOLOv2 (2016)：引入批归一化、锚框和 Darknet-19 架构，平衡速度和准确性。引入锚框（Anchor）机制、多尺度训练，并提出Darknet-19骨干网络，显著提升检测精度。
YOLOv3 (2018)：采用更深的 Darknet-53，支持多尺度预测，增强对小对象的检测。采用残差结构与多尺度预测（FPN），在COCO数据集上实现精度与速度的平衡。
YOLOv4 (2020)：由 Bochkovskiy 等人提出，结合最佳实践，包括免费优化（bag of freebies）和特殊技巧（bag of specials），提升性能。集成CSPNet、Mish激活函数等技巧，提出“Bag of Freebies”训练策略，速度达65 FPS时AP达43.5%。
YOLOv5
YOLOv5 (2020)：由 Ultralytics 发布，社区驱动，优化训练和推理流程。引入自适应锚框计算与混合数据增强，成为工业界最广泛应用的版本
YOLOv7
YOLOv7（2023）：通过跨阶段特征融合与动态标签分配策略，刷新实时检测SOTA。
YOLOv8（2023），Ultralytics再次发布YOLO更新模型，YOLOv8模型。Ultralytics YOLOv8是YOLO对象检测和图像分割模型的最新版本。YOLOv8 是一种尖端的、最先进的 （SOTA） 模型。YOLOv8的一个关键特性是它的可扩展性。它被设计为一个框架，支持所有以前版本的 YOLO，可以轻松地在不同版本之间切换并比较它们的性能。
除了可扩展性之外，YOLOv8 还包括许多其他创新，使其成广泛应用在对象检测和图像分割任务上。其中包括新的骨干网络，新的无锚网络检测头和新的损失函数功能。YOLOv8 也非常高效，可以在各种硬件平台（从 CPU 到 GPU）上运行。
YOLOv9（2024）：提出可编程梯度信息（PGI）与广义高效层聚合网络（GELAN），解决深度网络信息丢失问题
每个版本都在前代基础上构建，吸收深度学习最新进展，推动实时对象检测的边界。
Transformer 模型注意力机制
在深度学习中，注意力机制允许模型动态聚焦输入数据中与任务相关的信息。最初用于自然语言处理（如机器翻译），后来扩展到计算机视觉。对象检测中，注意力机制帮助模型关注可能包含对象的区域，减少无关信息的干扰。注意力机制模拟人类视觉系统的聚焦特性，通过动态权重分配增强关键特征、抑制冗余信息。
其核心类型包括：
空间注意力：聚焦图像的特定区域，突出潜在目标。定位关键空间区域，增强目标位置响应。
通道注意力：权衡特征图的不同通道，强调对检测有用的特征。学习通道维度权重，突出重要特征通道。
自注意力：受 Transformer 启发，模型可关注特征图的不同部分，提升全局上下文理解。建立全局长程依赖关系，捕捉上下文关联
注意力机制显著提升模型性能，尤其在处理复杂场景或多尺度对象时，Transformer 的主要组成部分：
编码器（Encoder）： 将输入序列转换为一个高维的向量表示，捕捉序列中的上下文信息。解码器（Decoder）： 根据编码器的输出和已生成的序列，逐步生成输出序列。注意力机制（Self-Attention）： 是 Transformer 的核心，它可以让序列中的每个元素都与其他元素进行交互，从而捕获它们之间的关系。Transformer 的优点：
并行计算： Transformer 模型允许对序列中的所有元素进行并行计算，显著缩短了训练时间。长距离依赖： 通过注意力机制，Transformer 模型能够捕捉序列中远距离元素之间的依赖关系，克服了 RNN 模型在长序列上的不足。强大的表示能力： Transformer 模型能够学习到丰富的上下文信息，从而在各种自然语言处理任务上取得卓越的性能。可扩展性： Transformer 模型结构简单，易于扩展，可以通过增加模型的层数、维度和注意力头数来提高模型的性能。YOLOv12 的设计与注意力机制
根据论文 YOLOv12: Attention-Centric Real-Time Object Detectors，YOLOv12 将注意力机制作为核心设计，旨在提升实时对象检测的准确性和效率。YOLOv12 的核心是将注意力机制融入 YOLO 框架，以提升目标检测的精度，同时保持 YOLO 系列一贯的快速推理速度。 论文的核心观点在于，尽管注意力机制在建模能力上优于 CNN，但由于计算效率和内存访问的限制，以往的 YOLO 模型主要依赖 CNN。YOLOv12 旨在打破这一局面，打造一个“注意力中心”的 YOLO 检测器。
现有YOLO 模型架构设计主要集中于 CNN 改进，而忽略了注意力机制更强的建模能力。注意力机制在实时目标检测中应用受限的原因：
计算复杂度高： 自注意力计算复杂度与输入序列长度呈平方关系。内存访问效率低： 注意力计算过程中存在大量的内存读写操作。基于以上问题，YOLOv12进行了关键的改进
注意力中心设计： YOLOv12 率先探索了在 YOLO 框架中以注意力机制为中心的设计思路，打破了以往 CNN 一统天下的局面。Area Attention（A2）： 区域注意力机制是一种简单有效的降低注意力计算复杂度的方法，能够在保持精度的同时显著提高速度。提出了一种简单而高效的区域注意力模块。通过将特征图划分为多个区域，在区域内进行注意力计算，降低计算复杂度，同时保持较大的感受野。
R-ELAN： 残差高效层聚合网络解决了训练大型注意力模型时遇到的优化难题，提高了模型的稳定性和收敛性。全面的架构优化： YOLOv12 在多个方面对模型架构进行了优化，包括引入 FlashAttention、移除位置编码、调整 MLP 比例等，从而实现了整体性能的提升。Residual Efficient Layer Aggregation Networks（R-ELAN）： 设计了一种残差高效层聚合网络，用于解决注意力机制带来的优化挑战。R-ELAN 在原 ELAN 基础上引入了块级残差设计和重新设计的特征聚合方法。
架构改进：
引入 FlashAttention，解决内存访问问题。移除 positional encoding，加快模型速度。调整 MLP 比例，平衡注意力机制和前馈网络的计算量。尽可能使用卷积算子，提高计算效率。
在标准目标检测数据集 MS COCO 上进行了大量实验，证明 YOLOv12 在精度和速度上均优于以往的 YOLO 模型以及其他实时目标检测器。不同尺度的 YOLOv12 模型 (YOLOv12-N/S/M/L/X) 在精度和速度之间取得了良好的平衡。
而 hugging face 上面也已经可以有demo 进行使用，用户只需要上传一张照片或者视频即可
而YOLO12 已经在 GitHub上面开源，可以直接使用代码进行对象检测
import cv2from ultralytics import YOLOimport supervision as svimage_path = f"demo.jpeg"image = cv2.imread(image_path)model = YOLO('yolov12l.pt')results = model(image, verbose=False)[0]detections = sv.Detections.from_ultralytics(results)box_annotator = sv.BoxAnnotator()label_annotator = sv.LabelAnnotator()annotated_image = image.copy()annotated_image = box_annotator.annotate(scene=annotated_image, detections=detections)annotated_image = label_annotator.annotate(scene=annotated_image, detections=detections)sv.plot_image(annotated_image)
当然微调YOLO12系列模型也是比较简单，可以直接使用开源的代码
from ultralytics import YOLOmodel = YOLO('yolov12n.yaml')results = model.train( data='coco.yaml', epochs=600, batch=256, imgsz=640, scale=0.5, # S:0.9; M:0.9; L:0.9; X:0.9 mosaic=1.0, mixup=0.0, # S:0.05; M:0.15; L:0.15; X:0.2 copy_paste=0.1, # S:0.15; M:0.4; L:0.5; X:0.6 device="0,1,2,3",)metrics = model.val()results = model("path/to/image.jpg")results[0].show()当然YOLO12系列已经继承在了ultralytics里面，我们进行对象检测与视频实时对象检测时，可以直接使用ultralytics。
from ultralytics import YOLOmodel = YOLO('yolov12{n/s/m/l/x}.pt')model.predict()官方训练代码
from roboflow import download_dataset#这里下载自己的训练集dataset = download_dataset('https://universe.roboflow.com/roboflow-100/circuit-voltages/dataset/2', 'yolov8')!ls {dataset.location}!sed -i '$d' {dataset.location}/data.yaml!sed -i '$d' {dataset.location}/data.yaml!sed -i '$d' {dataset.location}/data.yaml!sed -i '$d' {dataset.location}/data.yaml!echo -e "test: ../test/images\ntrain: ../train/images\nval: ../valid/images" >> {dataset.location}/data.yaml!cat {dataset.location}/data.yaml设置好自己的数据集后，然后进行代码的训练
from ultralytics import YOLOmodel = YOLO('yolov12s.yaml')results = model.train(data=f'{dataset.location}/data.yaml', epochs=100)import localelocale.getpreferredencoding = lambda: "UTF-8"!ls {HOME}/runs/detect/train/from IPython.display import ImageImage(filename=f'{HOME}/runs/detect/train/confusion_matrix.png', width=1000)
from IPython.display import ImageImage(filename=f'{HOME}/runs/detect/train/results.png', width=1000)
import supervision as svds = sv.DetectionDataset.from_yolo( images_directory_path=f"{dataset.location}/test/images", annotations_directory_path=f"{dataset.location}/test/labels", data_yaml_path=f"{dataset.location}/data.yaml")ds.classesfrom supervision.metrics import MeanAveragePrecisionmodel = YOLO(f'/{HOME}/runs/detect/train/weights/best.pt')predictions = []targets = []for _, image, target in ds: results = model(image, verbose=False)[0] detections = sv.Detections.from_ultralytics(results) predictions.append(detections) targets.append(target)map = MeanAveragePrecision().update(predictions, targets).compute()map.plot()
训练完成后，我们使用代码进行一个图片的检测
import supervision as svmodel = YOLO(f'/{HOME}/runs/detect/train/weights/best.pt')ds = sv.DetectionDataset.from_yolo( images_directory_path=f"{dataset.location}/test/images", annotations_directory_path=f"{dataset.location}/test/labels", data_yaml_path=f"{dataset.location}/data.yaml")import randomi = random.randint(0, len(ds))image_path, image, target = ds[i]results = model(image, verbose=False)[0]detections = sv.Detections.from_ultralytics(results).with_nms()box_annotator = sv.BoxAnnotator()label_annotator = sv.LabelAnnotator()annotated_image = image.copy()annotated_image = box_annotator.annotate(scene=annotated_image, detections=detections)annotated_image = label_annotator.annotate(scene=annotated_image, detections=detections)sv.plot_image(annotated_image)
https://github.com/sunsmarterjie/yolov12https://arxiv.org/pdf/2502.12524https://huggingface.co/spaces/sunsmarterjieleaf/yolov12 