前 言 

    YOLOv12 在物体检测方面真的表现更好吗？

    随着实时物体检测在自动驾驶汽车、医疗保健和监控等领域变得越来越重要，这是人工智能研究人员、开发人员和行业专业人士心中的问题。

    YOLO（You Only Look Once）系列长期以来一直用于计算机视觉领域，因其能够在网络一次通过中预测边界框和类概率而闻名，兼具速度和准确性。

在实时监控中，即使是微小的延迟也可能意味着错过威胁。更快、更准确的物体检测对于监控繁忙区域、保护建筑物和快速应对安全问题至关重要。

    例如，提前一秒发现可疑行为或检测到入侵者可以防止重大安全漏洞。

    在高风险情况下，速度和准确性的提高对于保障人们的安全至关重要。

什么是目标检测

    目标检测可以定位和分类图像或视频中的物体。首先，模型会分析输入，识别潜在物体的位置，并在它们周围绘制边界框。

    然后，该模型为每个检测到的物体分配一个标签，从而有效地对其进行分类。这个过程使机器能够“看到”并理解视觉信息，从而使它们能够执行自动驾驶、监控和图像检索等任务。

目标检测以前是如何工作的

    早期的 YOLO 模型依赖于基于网格的检测，将图像分成单元来预测边界框和类概率。 

    YOLOv11 通过改进主干和颈部架构对此进行了改进，显著提高了特征提取能力，从而实现了更精确的物体检测和复杂任务执行。 

    该架构包含C3k2、SPPF、C2PSA等创新模块，有助于增强其特征提取和处理效率。

    YOLOv11 与前代产品相比，在 COCO 数据集上的表现有所提升。它实现了更高的平均精度 (mAP) 得分，同时使用的参数比 YOLOv8m 少 22%。 

YOLOv12 有哪些新功能

    YOLOv12 是 YOLO 物体检测系统的最新版本，这是一个很大的改进。它解决了旧版本的问题，例如难以处理小物体和速度慢。它通过两个主要新功能实现了这一点：

• 区域注意力机制：这有助于模型关注图像的重要部分。  

  • R-ELAN 架构：这使得模型更加高效和准确。

    本质上，YOLOv12 在查找目标（尤其是小物体）方面更快、更好，这使其成为计算机视觉领域的一大进步。

    区域注意力机制：它是如何工作的？

    YOLOv12 的区域注意力机制通过以下方式加速物体检测：

• • 划分特征图：该机制将特征图划分为更小的段或区域，从而允许其独立处理每个区域。

  • 降低计算成本：通过关注较小的区域，与传统注意力机制相比，它显著降低了计算复杂度。

  • 保持较大的感受野：尽管分段处理，它仍然保持较大的感受野，确保模型能够捕捉到广泛的背景。

    本质上，这是一种更智能的方法，可以聚焦于图像的重要部分，使物体检测更快、更高效。

    R-ELAN：通过残差连接增强特征学习

    YOLOv12 还使用了 R-ELAN，它改进了模型理解图像的方式。它通过以下方式实现这一点：  

• • 改进特征集成：R-ELAN 主动结合各个层的特征，确保模型捕获广泛的上下文信息。

  • 缓解梯度瓶颈：有助于防止训练期间的梯度瓶颈，使模型更有效地学习并保持稳定性。

  • 增强特征融合：R-ELAN 优化了特征合并方式，确保利用所有相关信息，从而提高物体检测的准确性。  

    这意味着 YOLOv12 可以更好地理解图像，尤其是当图像中有不同大小的物体时。

YOLOv12 与 YOLOv11 的比较

    我们以实时监控为例，用于检测场景中的目标，YOLOv11 和 YOLOv12 积极竞争，各自在准确性、速度和效率方面具有独特的优势，可满足不同的监控要求。

    这是两种模型在实时监控中的比较结果。

    1. YOLOv12 凭借其注意力机制，能够更好地区分不同的目标

2. YOLOv12 因其 R-ELAN 架构而更擅长检测多个目标，但仅限于物体密度较高的地方。它仍然会错过物体密度较低的边缘部分。

    3. YOLOv11 在人员检测方面胜过 YOLOv12，因为它能够在困难的地方检测到人员。

如何使用 YOLOv12

    首先在系统中安装 ultralytics 模块

pip install ultralytics

    使用上面命令行，您可以在系统中安装 ultralytics 模块。

    然后，以下代码将用于对任何样本图像进行推理

from ultralytics import YOLO# Load a COCO-pretrained YOLO12n modelmodel = YOLO("yolo12n.pt")# Train the model on the COCO8 example dataset for 100 epochsresults = model.train(data="coco8.yaml", epochs=100, imgsz=640)# Run inference with the YOLO12n model on the 'sample.jpg' imageresults = model("path/to/sample.jpg")

结 论

    YOLOv11和YOLOv12都是实时监控的有力工具，其中YOLOv11速度更快，而YOLOv12则具有更高的准确性和适应性。

    它们之间的选择取决于特定的应用要求，例如需要超快速推理或卓越的检测精度。

常问问题

    Q1：目标检测常用的算法有哪些？

    答：流行的目标检测算法包括 YOLO（You Only Look Once）、Faster R-CNN、SSD（Single Shot MultiBox Detector）和 RetinaNet。

    Q2：目标检测与图像分类有何不同？

    答：图像分类为整个图像分配标签，而对象检测则识别并定位图像中的多个对象。

    Q3：目标检测面临哪些挑战？

    答：挑战包括物体大小、光照、遮挡、背景混乱和快速物体移动的变化。

    Q4：目标检测可以实时工作吗？

    答：是的，YOLO 和 SSD 等模型针对高帧率的实时物体检测进行了优化。

    参考链接：

    Yolov12 Github:

https://github.com/sunsmarterjie/yolov12

    Yolov12 博客：

https://docs.ultralytics.com/models/yolo12/

    Yolov12 论文：

https://arxiv.org/pdf/2502.12524v1