YOLO目標檢測演算法誕生於2015年6月，從出生的那一天起就是“高精度、高效率、高實用性”目標檢測演算法的代名詞。
在原作者Joseph Redmon博士手中YOLO經歷了三代到YOLOv3，今年初Joseph Redmon宣告退出計算機視覺研究界後，YOLOv4、YOLOv5相繼而出，且不論誰是正統，這YOLO演算法家族在創始人拂袖而出後依然熱鬧非凡。
本文帶領大家細數在此名門之中自帶“YOLO”的演算法，總計23項工作，它們有的使YOLO更快，有的使YOLO更精準，有的擴充套件到了3D點雲、水下目標檢測、有的則在FPGA、CPU、樹莓派上大顯身手，甚至還有的進入了語音處理識別領域。
而幾乎所有YOLO系演算法都力圖保持高精度、高效率、高實用性，這也許就是工業界偏愛YOLO的理由吧！
YOLOv1開山鼻祖之作
You Only Look Once: Unified, Real-Time Object Detection
作者：Joseph Redmon, Santosh Divvala, Ross Girshick, Ali Farhadi
單位：華盛頓大學；Allen Institute for AI；FAIR
論文：https://arxiv.org/abs/1506.02640
引用 | 10222
主頁：https://pjreddie.com/darknet/yolo/
時間：2015年6月8日
標準版本的YOLO在Titan X 的 GPU 上能達到 45 FPS。更快的 Fast YOLO 檢測速度可以達到 155 FPS。
YOLO9000: Better, Faster, Stronger
作者：Joseph Redmon, Ali Farhadi
單位：華盛頓大學；Allen Institute for AI
論文： https://arxiv.org/abs/1612.08242
引用 | 5168
主頁：https://pjreddie.com/darknet/yolo/
時間：2016年12月25日
在 YOLO 基礎上，保持原有速度的同時提升精度得到YOLOv2，讓預測變得更準確（Better），更快速（Faster）。
透過聯合訓練策略，可實現9000多種物體的實時檢測，總體mAP值為19.7。
YOLOv3: An Incremental Improvement
作者：Joseph Redmon, Ali Farhadi
單位：華盛頓大學
論文：https://arxiv.org/abs/1804.02767
引用 | 3363
主頁：https://pjreddie.com/darknet/yolo/
Star | 18.3K
時間：2018年4月8日
在320×320 YOLOv3執行22.2ms，28.2 mAP，像SSD一樣準確，但速度快三倍。在Titan X上，它在51 ms內實現了57.9的AP50，與RetinaNet在198 ms內的57.5 AP50相當，效能相似但速度快3.8倍。
Expandable YOLO: 3D Object Detection from RGB-D Images
作者：Masahiro Takahashi, Alessandro Moro, Yonghoon Ji, Kazunori Umeda
單位：（日本）中央大學；RITECS Inc
論文：https://arxiv.org/abs/2006.14837
時間：2020年6月26日
YOLOv3的變種，構建了一個輕量級的目標檢測器，從RGBD-D立體攝像機輸入深度和彩色影象。該模型的處理速度為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
單位：百度
論文：https://arxiv.org/abs/2007.12099
解讀：https://zhuanlan.zhihu.com/p/163565906
程式碼：https://github.com/PaddlePaddle/PaddleDetection
時間：2020年7月23日
PP-YOLO由在YOLOv3上新增眾多tricks“組合式創新”得來，從下圖前兩列中可看到其使用的技術：
