YOLO目标检测算法诞生于2015年6月，从出生的那一天起就是“高精度、高效率、高实用性”目标检测算法的代名词。
在原作者Joseph Redmon博士手中YOLO经历了三代到YOLOv3，今年初Joseph Redmon宣告退出计算机视觉研究界后，YOLOv4、YOLOv5相继而出，且不论谁是正统，这YOLO算法家族在创始人拂袖而出后依然热闹非凡。
本文带领大家细数在此名门之中自带“YOLO”的算法，总计23项工作，它们有的使YOLO更快，有的使YOLO更精准，有的扩展到了3D点云、水下目标检测、有的则在FPGA、CPU、树莓派上大显身手，甚至还有的进入了语音处理识别领域。
而几乎所有YOLO系算法都力图保持高精度、高效率、高实用性，这也许就是工业界偏爱YOLO的理由吧！
YOLOv1开山鼻祖之作
You Only Look Once: Unified, Real-Time Object Detection
作者：Joseph Redmon, Santosh Divvala, Ross Girshick, Ali Farhadi
单位：华盛顿大学；Allen Institute for AI；FAIR
论文：https://arxiv.org/abs/1506.02640
引用 | 10222
主页：https://pjreddie.com/darknet/yolo/
时间：2015年6月8日
标准版本的YOLO在Titan X 的 GPU 上能达到 45 FPS。更快的 Fast YOLO 检测速度可以达到 155 FPS。
YOLO9000: Better, Faster, Stronger
作者：Joseph Redmon, Ali Farhadi
单位：华盛顿大学；Allen Institute for AI
论文： https://arxiv.org/abs/1612.08242
引用 | 5168
主页：https://pjreddie.com/darknet/yolo/
时间：2016年12月25日
在 YOLO 基础上，保持原有速度的同时提升精度得到YOLOv2，让预测变得更准确（Better），更快速（Faster）。
通过联合训练策略，可实现9000多种物体的实时检测，总体mAP值为19.7。
YOLOv3: An Incremental Improvement
作者：Joseph Redmon, Ali Farhadi
单位：华盛顿大学
论文：https://arxiv.org/abs/1804.02767
引用 | 3363
主页：https://pjreddie.com/darknet/yolo/
Star | 18.3K
时间：2018年4月8日
在320×320 YOLOv3运行22.2ms，28.2 mAP，像SSD一样准确，但速度快三倍。在Titan X上，它在51 ms内实现了57.9的AP50，与RetinaNet在198 ms内的57.5 AP50相当，性能相似但速度快3.8倍。
Expandable YOLO: 3D Object Detection from RGB-D Images
作者：Masahiro Takahashi, Alessandro Moro, Yonghoon Ji, Kazunori Umeda
单位：（日本）中央大学；RITECS Inc
论文：https://arxiv.org/abs/2006.14837
时间：2020年6月26日
YOLOv3的变种，构建了一个轻量级的目标检测器，从RGBD-D立体摄像机输入深度和彩色图像。该模型的处理速度为44.35fps（GPU: NVIDIA RTX 2080 and CPU: Intel Core i7 8700K）。
PP-YOLO: An Effective and Efficient Implementation of Object Detector
作者：Xiang Long, Kaipeng Deng, Guanzhong Wang, Yang Zhang, Qingqing Dang, Yuan Gao, Hui Shen, Jianguo Ren, Shumin Han, Errui Ding, Shilei Wen
单位：百度
论文：https://arxiv.org/abs/2007.12099
解读：https://zhuanlan.zhihu.com/p/163565906
代码：https://github.com/PaddlePaddle/PaddleDetection
时间：2020年7月23日
PP-YOLO由在YOLOv3上添加众多tricks“组合式创新”得来，从下图前两列中可看到其使用的技术：
