以下是 YOLO (You Only Look Once) 系列模型从 V1 到 V11 的详细介绍和项目地址（截至2024年7月）。YOLO 是目标检测领域的里程碑模型，以其 实时性 和 高精度 著称，广泛应用于自动驾驶、安防监控、工业检测等领域。

---

YOLOv1 (2016)

📌 论文: You Only Look Once: Unified, Real-Time Object Detection
📌 代码: Darknet (C 实现)
📌 特点：

• 首个 单阶段（one-stage） 目标检测模型，直接回归边界框和类别。
• 使用 全卷积网络（FCN），速度快但精度较低。
• 输入分辨率 448×448，在 Pascal VOC 上 mAP 63.4。

---

YOLOv2 (YOLO9000, 2017)

📌 论文: YOLO9000: Better, Faster, Stronger
📌 代码: Darknet
📌 特点：

• 引入 Batch Normalization，提升训练稳定性。
• 使用 Anchor Boxes 提高定位精度。
• 提出 Darknet-19 骨干网络，比 V1 更快更准。
• 支持 多尺度训练（Multi-Scale Training），输入分辨率可调。
• 在 Pascal VOC 上 mAP 78.6，可检测 9000+ 类别（YOLO9000）。

---

YOLOv3 (2018)

📌 论文: YOLOv3: An Incremental Improvement
📌 代码: Darknet
📌 特点：

• 采用 Darknet-53 骨干网络（带残差连接）。
• 引入 多尺度预测（FPN-like），提升小目标检测能力。
• 使用 Binary Cross-Entropy (BCE) Loss 替代 Softmax 分类。
• 在 COCO 上 mAP 33.0，速度 65 FPS（Titan X）。

---

YOLOv4 (2020)

📌 论文: YOLOv4: Optimal Speed and Accuracy of Object Detection
📌 代码: Darknet
📌 特点：

• 引入 CSPDarknet53 骨干网络，提升特征提取能力。
• 采用 PANet + SPP 增强多尺度特征融合。
• 使用 Mosaic Data Augmentation 和 CIoU Loss 提升训练效果。
• 在 COCO 上 mAP 43.5，速度 62 FPS（Tesla V100）。

---

YOLOv5 (2020)

📌 论文: 无官方论文（Ultralytics 团队开发）
📌 代码: Ultralytics YOLOv5 (PyTorch)
📌 特点：

• PyTorch 实现，更易部署和训练。
• 引入 Focus 模块 减少计算量。
• 支持 Auto Learning Rate & Batch Size。
• 提供 多个预训练模型（YOLOv5s, m, l, x）。
• 在 COCO 上 mAP 50.7（YOLOv5x）。

---

YOLOv6 (2022)

📌 论文: YOLOv6: A Single-Stage Object Detection Framework for Industrial Applications
📌 代码: Meituan YOLOv6
📌 特点：

• 由 美团（Meituan） 团队开发，面向工业应用。
• 采用 EfficientRep 骨干网络 和 RepVGG 风格 结构。
• 引入 Anchor-Free + SimOTA 标签分配策略。
• 在 COCO 上 mAP 52.8（YOLOv6-L）。

---

YOLOv7 (2022)

📌 论文: YOLOv7: Trainable Bag-of-Freebies Sets New State-of-the-Art for Real-Time Object Detectors
📌 代码: WongKinYiu YOLOv7
📌 特点：

• 提出 Extended Efficient Layer Aggregation Network (E-ELAN)。
• 引入 Model Scaling & Compound Scaling 优化推理速度。
• 支持 辅助训练头（Auxiliary Head） 提升小目标检测。
• 在 COCO 上 mAP 56.8（YOLOv7-E6E）。

---

YOLOv8 (2023)

📌 论文: 无官方论文（Ultralytics 团队开发）
📌 代码: Ultralytics YOLOv8
📌 特点：

• 支持 目标检测 + 实例分割 + 姿态估计。
• 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)

📌 论文: YOLOv9: Learning What You Want to Learn Using Programmable Gradient Information
📌 代码: WongKinYiu YOLOv9
📌 特点：

• 提出 PGI (Programmable Gradient Information) 解决信息丢失问题。
• 采用 GELAN (Generalized Efficient Layer Aggregation Network) 骨干。
• 在 COCO 上 mAP 63.0（YOLOv9-E），SOTA 性能。

---

YOLOv10 (2024)

📌 论文: YOLOv10: Real-Time End-to-End Object Detection
📌 代码: THU-MIG YOLOv10
📌 特点：

• 由 清华 MIG 团队 提出，无 NMS（Non-Maximum Suppression）。
• 采用 Consistent Dual Assignments 提升端到端训练。
• 在 COCO 上 mAP 56.8（YOLOv10-X），速度更快。

---

YOLOv11 (2024)

📌 论文: 尚未正式发布（社区改进版）
📌 代码: 社区实现
📌 特点：

• 目前 非官方版本，部分改进包括：
  • 更轻量级设计（适合移动端）。
  • 改进的注意力机制（如 EMA、SimAM）。
  • 结合 Diffusion 模型 进行数据增强。

---

总结

版本	年份	骨干网络	关键改进	mAP (COCO)	项目地址
YOLOv1	2016	Darknet	单阶段检测	63.4 (VOC)	Darknet
YOLOv2	2017	Darknet-19	Anchor Boxes	78.6 (VOC)	Darknet
YOLOv3	2018	Darknet-53	多尺度预测	33.0	Darknet
YOLOv4	2020	CSPDarknet53	PANet + SPP	43.5	Darknet
YOLOv5	2020	CSPNet	PyTorch 实现	50.7	Ultralytics
YOLOv6	2022	EfficientRep	Anchor-Free	52.8	Meituan
YOLOv7	2022	E-ELAN	辅助训练头	56.8	WongKinYiu
YOLOv8	2023	CSPDarknet	多任务支持	53.9	Ultralytics
YOLOv9	2024	GELAN	PGI 机制	63.0	WongKinYiu
YOLOv10	2024	CSPNet	无 NMS	56.8	THU-MIG
YOLOv11	2024	社区改进	轻量化	-	社区

---

如何选择 YOLO 版本？

• 工业部署 → YOLOv5 / YOLOv8（PyTorch 生态友好）
• 最高精度 → YOLOv9 / YOLOv10
• 移动端/嵌入式 → YOLOv5s / YOLOv8n
• 学术研究 → YOLOv7 / YOLOv9

YOLO 系列仍在快速发展，建议关注 Ultralytics、Meituan、WongKinYiu 等团队的最新研究！ 🚀