以下是 YOLO (You Only Look Once) 系列模型從 V1 到 V11 的詳細介紹和項目地址（截至2024年7月）。YOLO 是目標檢測領域的里程碑模型，以其 實時性 和 高精度 著稱，廣泛應用于自動駕駛、安防監控、工業檢測等領域。

---

YOLOv1 (2016)

📌 論文: You Only Look Once: Unified, Real-Time Object Detection
📌 代碼: Darknet (C 實現)
📌 特點：

• 首個 單階段（one-stage） 目標檢測模型，直接回歸邊界框和類別。
• 使用 全卷積網絡（FCN），速度快但精度較低。
• 輸入分辨率 448×448，在 Pascal VOC 上 mAP 63.4。

---

YOLOv2 (YOLO9000, 2017)

📌 論文: YOLO9000: Better, Faster, Stronger
📌 代碼: Darknet
📌 特點：

• 引入 Batch Normalization，提升訓練穩定性。
• 使用 Anchor Boxes 提高定位精度。
• 提出 Darknet-19 骨干網絡，比 V1 更快更準。
• 支持 多尺度訓練（Multi-Scale Training），輸入分辨率可調。
• 在 Pascal VOC 上 mAP 78.6，可檢測 9000+ 類別（YOLO9000）。

---

YOLOv3 (2018)

📌 論文: YOLOv3: An Incremental Improvement
📌 代碼: Darknet
📌 特點：

• 采用 Darknet-53 骨干網絡（帶殘差連接）。
• 引入 多尺度預測（FPN-like），提升小目標檢測能力。
• 使用 Binary Cross-Entropy (BCE) Loss 替代 Softmax 分類。
• 在 COCO 上 mAP 33.0，速度 65 FPS（Titan X）。

---

YOLOv4 (2020)

📌 論文: YOLOv4: Optimal Speed and Accuracy of Object Detection
📌 代碼: Darknet
📌 特點：

• 引入 CSPDarknet53 骨干網絡，提升特征提取能力。
• 采用 PANet + SPP 增強多尺度特征融合。
• 使用 Mosaic Data Augmentation 和 CIoU Loss 提升訓練效果。
• 在 COCO 上 mAP 43.5，速度 62 FPS（Tesla V100）。

---

YOLOv5 (2020)

📌 論文: 無官方論文（Ultralytics 團隊開發）
📌 代碼: Ultralytics YOLOv5 (PyTorch)
📌 特點：

• PyTorch 實現，更易部署和訓練。
• 引入 Focus 模塊 減少計算量。
• 支持 Auto Learning Rate & Batch Size。
• 提供 多個預訓練模型（YOLOv5s, m, l, x）。
• 在 COCO 上 mAP 50.7（YOLOv5x）。

---

YOLOv6 (2022)

📌 論文: YOLOv6: A Single-Stage Object Detection Framework for Industrial Applications
📌 代碼: Meituan YOLOv6
📌 特點：

• 由 美團（Meituan） 團隊開發，面向工業應用。
• 采用 EfficientRep 骨干網絡 和 RepVGG 風格 結構。
• 引入 Anchor-Free + SimOTA 標簽分配策略。
• 在 COCO 上 mAP 52.8（YOLOv6-L）。

---

YOLOv7 (2022)

📌 論文: YOLOv7: Trainable Bag-of-Freebies Sets New State-of-the-Art for Real-Time Object Detectors
📌 代碼: WongKinYiu YOLOv7
📌 特點：

• 提出 Extended Efficient Layer Aggregation Network (E-ELAN)。
• 引入 Model Scaling & Compound Scaling 優化推理速度。
• 支持 輔助訓練頭（Auxiliary Head） 提升小目標檢測。
• 在 COCO 上 mAP 56.8（YOLOv7-E6E）。

---

YOLOv8 (2023)

📌 論文: 無官方論文（Ultralytics 團隊開發）
📌 代碼: Ultralytics YOLOv8
📌 特點：

• 支持 目標檢測 + 實例分割 + 姿態估計。
• 采用 Anchor-Free + Distribution Focal Loss。
• 提供 CLI & Python API，易于部署。
• 在 COCO 上 mAP 53.9（YOLOv8x）。

---

YOLOv9 (2024)

📌 論文: YOLOv9: Learning What You Want to Learn Using Programmable Gradient Information
📌 代碼: WongKinYiu YOLOv9
📌 特點：

• 提出 PGI (Programmable Gradient Information) 解決信息丟失問題。
• 采用 GELAN (Generalized Efficient Layer Aggregation Network) 骨干。
• 在 COCO 上 mAP 63.0（YOLOv9-E），SOTA 性能。

---

YOLOv10 (2024)

📌 論文: YOLOv10: Real-Time End-to-End Object Detection
📌 代碼: THU-MIG YOLOv10
📌 特點：

• 由 清華 MIG 團隊 提出，無 NMS（Non-Maximum Suppression）。
• 采用 Consistent Dual Assignments 提升端到端訓練。
• 在 COCO 上 mAP 56.8（YOLOv10-X），速度更快。

---

YOLOv11 (2024)

📌 論文: 尚未正式發布（社區改進版）
📌 代碼: 社區實現
📌 特點：

• 目前 非官方版本，部分改進包括：
  • 更輕量級設計（適合移動端）。
  • 改進的注意力機制（如 EMA、SimAM）。
  • 結合 Diffusion 模型 進行數據增強。

---

總結

版本	年份	骨干網絡	關鍵改進	mAP (COCO)	項目地址
YOLOv1	2016	Darknet	單階段檢測	63.4 (VOC)	Darknet
YOLOv2	2017	Darknet-19	Anchor Boxes	78.6 (VOC)	Darknet
YOLOv3	2018	Darknet-53	多尺度預測	33.0	Darknet
YOLOv4	2020	CSPDarknet53	PANet + SPP	43.5	Darknet
YOLOv5	2020	CSPNet	PyTorch 實現	50.7	Ultralytics
YOLOv6	2022	EfficientRep	Anchor-Free	52.8	Meituan
YOLOv7	2022	E-ELAN	輔助訓練頭	56.8	WongKinYiu
YOLOv8	2023	CSPDarknet	多任務支持	53.9	Ultralytics
YOLOv9	2024	GELAN	PGI 機制	63.0	WongKinYiu
YOLOv10	2024	CSPNet	無 NMS	56.8	THU-MIG
YOLOv11	2024	社區改進	輕量化	-	社區

---

如何選擇 YOLO 版本？

• 工業部署 → YOLOv5 / YOLOv8（PyTorch 生態友好）
• 最高精度 → YOLOv9 / YOLOv10
• 移動端/嵌入式 → YOLOv5s / YOLOv8n
• 學術研究 → YOLOv7 / YOLOv9

YOLO 系列仍在快速發展，建議關注 Ultralytics、Meituan、WongKinYiu 等團隊的最新研究！ 🚀