摘要：本文汇总了多篇围绕YOLOv12这一实时目标检测前沿模型的最新研究论文。内容涵盖其核心架构创新（如高效注意力机制、轻量化设计），在特定场景（水下探测、果园绿色水果识别、无人机追踪）中相比前代模型或其他架构（如RF-DETR）的性能对比与优化方案，以及利用合成数

【导读】

本文汇总了多篇围绕YOLOv12这一实时目标检测前沿模型的最新研究论文。内容涵盖其核心架构创新（如高效注意力机制、轻量化设计），在特定场景（水下探测、果园绿色水果识别、无人机追踪）中相比前代模型或其他架构（如RF-DETR）的性能对比与优化方案，以及利用合成数据训练提升精度的实践。这些研究共同展示了YOLOv12在速度、精度及适应性上的突破性进展与广泛应用潜力。>>更多资讯可加入CV技术群获取了解哦~

YOLOv12作为实时目标检测领域的最新迭代版本，在速度、精度和适用性上实现了突破性提升，进一步巩固了YOLO系列在工业界和学术界的核心地位。其核心价值在于通过深度学习架构优化（如更高效的骨干网络、动态标签分配策略和跨尺度特征融合技术），在保持毫秒级推理速度的同时，显著提升了复杂场景下的检测精度（尤其是小目标和遮挡目标的识别能力）。

为让大家能够紧跟领域前沿，小编将分享多篇关于YOLOv12相关最新和改进论文供大家参考学习。

You Sense Only Once Beneath（YSOOB）

论文标题：

You Sense Only Once Beneath: Ultra-Light Real-Time Underwater Object Detection

论文链接：

摘要：尽管物体检测领域取得了显著进展，但在低图像质量和计算资源有限等严苛水下环境中，模型的准确性和效率仍需进一步提升。为解决这一问题，提出了一种超轻量级实时水下目标检测框架——“You Sense Only Once Beneath”（YSOOB）。具体而言，利用多光谱小波编码器（MSWE）对输入图像进行频域编码，从而最小化水下光学颜色失真引起的语义损失。此外，重新审视了偶数尺寸和转置卷积的独特特性，使模型能够在重采样过程中动态选择并增强关键信息，从而提升其泛化能力。最后，通过简单的通道压缩和重建大核卷积（RLKC）消除模型冗余，实现模型轻量化。因此，构建了一个仅含120万参数的高性能水下目标检测器YSOOB。大量实验结果表明，在参数最少的条件下，YSOOB在URPC2020和DUO数据集上分别实现了mAP50为83.1%和82.9%的性能，与当前最先进（SOTA）的检测器相当。推理速度在T4 GPU（TensorRT FP16）和边缘计算设备Jetson Xavier NX（TensorRT FP16）上分别达到781.3 FPS和57.8 FPS，分别比YOLOv12-N快28.1%和22.5%。

文中所提到的YSOOB模型，是以最先进的单阶段目标检测器YOLOv12-N 作为基线模型，以平衡实时性能与准确性。YSOOB的整体框架如图2所示。多光谱小波编码器（MSWE）首先对输入图像进行频率域特征提取与编码重建，无需依赖图像增强技术。接下来，重新审视了偶数尺寸卷积和转置卷积的动态感知特性，替换了YOLO框架中的所有下采样和上采样操作。这显著优化了模型参数并减少了目标边缘特征的损失。最后，应用了一种简单而有效的通道压缩和重建大核卷积（RLKC）技术，以消除模型冗余，最终实现超轻量级设计。

RF-DETR Object Detection vs YOLOv12

论文标题：

RF-DETR Object Detection vs YOLOv12 : A Study of Transformer-based and CNN-based Architectures for Single-Class and Multi-Class Greenfruit Detection in Complex Orchard Environments Under Label Ambiguity

论文链接：

摘要：本研究全面比较了RF-DETR目标检测模型和YOLOv12目标检测模型在复杂果园环境中识别绿色水果的能力，果园环境的特点是标签模糊、遮挡和背景伪装。为评估模型在真实世界条件下的性能，开发了一个自定义数据集，其中包括单类（绿色水果）和多类（遮挡和非遮挡绿色水果）注释。RF-DETR目标检测模型利用 DINOv2 骨干和可变形注意力机制，在全局上下文建模方面表现出色，在识别部分遮挡或视觉模糊的绿色水果方面尤其有效。与此相反，YOLOv12 模型采用了基于CNN的注意力机制来加强局部特征提取，优化了计算效率和边缘部署的适用性。在单类检测场景中，RF-DETR的平均精度（mAP@50）最高，达到0.9464，显示了其在杂乱场景中准确定位绿色水果的强大能力。尽管 YOLOv12N的mAP@50:95 达到了0.7620的最高值，但RF-DETR目标检测模型在管理复杂空间场景方面的表现始终优于 YOLOv12N。在多类检测中，RF-DETR以0.8298的 mAP@50 再次领先，表明其在区分遮挡和非遮挡水果方面的有效性，而YOLOv12L则以 0.6622 高居 mAP@50:95 指标榜首，表明其在详细遮挡条件下的分类能力更胜一筹。对模型训练动态的分析表明，RF-DETR 的收敛速度很快，尤其是在单类场景中，不到10个epoch就达到了平稳状态，这凸显了基于transformer-based的架构对动态视觉数据的效率和适应性。这些结果证实了RF-DETR适用于对准确性要求极高的农业任务，而YOLOv12仍然是对速度敏感的部署的理想选择。

如图1所示，在深度学习取得突破性进展的推动下，过去十年来，目标检测领域已从基本模式识别转向能够理解复杂图像的复杂系统。如图1所示，目标检测方法可分为六种主要方法，每种方法都有独特的优势，并可应用于不同的技术和自动化领域。这种演变对于克服需要高精度和高适应性的领域中常见的视觉识别挑战至关重要，例如自动驾驶、医疗保健、安全监控，尤其是在农业领域，准确高效的目标检测为自动田间监测和机器人收割等进步提供了支持。

REVIEW OF YOLOV12

论文标题：

REVIEW OF YOLOV12: ATTENTION-BASED ENHANCEMENTS VS. PREVIOUS VERSIONS

论文链接：

摘要：YOLO（You Only Look Once）系列一直是实时目标检测领域的领先框架，始终在速度与准确性之间寻求最佳平衡。然而，将注意力机制集成到 YOLO 中一直面临挑战，因为它们会带来较高的计算开销。YOLOv12 提出了一种新型方法，成功地将基于注意力的增强功能融入其中，同时保持了实时性能。本文对 YOLOv12 的架构创新进行了全面回顾，包括用于计算高效自注意力的区域注意力（Area Attention）、用于改进特征聚合的残差高效层聚合网络（Residual Efficient Layer Aggregation Networks），以及用于优化内存访问的闪电注意力（FlashAttention）。

此外，对YOLOv12与先前YOLO版本及竞争对手的物体检测器进行了基准测试，分析其在准确性、推理速度和计算效率方面的改进。通过此分析，展示了YOLOv12如何通过优化延迟与准确性的权衡关系和计算资源，推动实时物体检测技术的进步。

Strong Baseline: Multi-UAV Tracking via YOLOv12 with BoT-SORT-ReID

论文标题：

Strong Baseline: Multi-UAV Tracking via YOLOv12 with BoT-SORT-ReID

论文链接：

摘要：在热红外视频中检测和跟踪多个无人驾驶飞行器（UAV）具有固有挑战性，主要原因包括低对比度、环境噪声以及目标尺寸较小。本文提出了一种简洁的方法来解决热红外视频中的多UAV跟踪问题，利用了检测和跟踪领域的最新进展。与依赖于成熟的YOLOv5与Deep-SORT组合不同，我们提出了一个基于YOLOv12和BoT-SORT的跟踪框架，并通过定制的训练和推理策略进行了增强。我们按照第四届反无人机挑战赛的评估指标对该方法进行测试，并取得了具有竞争力的性能。值得注意的是，我们在不使用对比度增强或时空信息融合来丰富无人机特征的情况下，仍取得了优异结果，这表明我们的方法可作为多无人机跟踪任务的“强基线”。我们提供了实现细节、深入的实验分析以及对潜在改进的讨论。

Improved YOLOv12 with LLM-Generated Synthetic Data for Enhanced Apple Detection and Benchmarking Against YOLOv11 and YOLOv10

论文标题：

Improved YOLOv12 with LLM-Generated Synthetic Data for Enhanced Apple Detection and Benchmarking Against YOLOv11 and YOLOv10

论文链接：

摘要：本研究评估了YOLOv12目标检测模型的性能，并将其与YOLOv11和YOLOv10在商业果园中的苹果检测性能进行了比较，所有模型训练均基于大型语言模型（LLMs）生成的合成图像完成。YOLOv12n配置实现了最高的精度（0.916）、最高的召回率（0.969）以及最高的平均精度（mAP@50，0.978）。相比之下，YOLOv11系列中表现最佳的是YOLO11x，其精度最高为0.857，召回率最高为0.85，mAP@50最高为0.91。对于YOLOv10系列，YOLOv10b和YOLOv10l均实现了最高精度0.85，而YOLOv10n实现了最高召回率0.8和mAP@50 0.89。这些结果表明，当YOLOv12在现实的LLM生成的数据集上进行训练时，其在关键性能指标上超越了其前代模型。该技术还通过减少农业领域中大量人工数据收集的需求，提供了成本效益高的解决方案。此外，本研究比较了YOLOv12、v11和v10所有版本的计算效率，其中YOLOv11n的推理时间最低，为4.7毫秒，而YOLOv12n为5.6毫秒，YOLOv10n为5.9毫秒。

本研究介绍了YOLOv12（架构如图1所示），这是一个利用LLM生成数据集的可扩展性和先进架构创新的最新模型。在先前研究中，我们证明了LLM生成的数据集有望替代传统实地数据采集，在YOLOv11和YOLOv10模型上实现高精度、召回率和mAP@50。其纳米变体（YOLOv12-N）在T4 GPU上实现1.64毫秒的推理速度，使其非常适合机器人收割等实时应用。通过消除昂贵的传感器设置和大量实地劳动，我们的方法克服了传统限制，并在遮挡、光照和尺度变化方面展现出优异的泛化能力。本研究的具体目标如下：

• 准备由LLM生成的合成数据集，用于训练YOLOv12模型的四种配置（n、s、m和l），并评估其在合成数据上的性能。

• 使用相同的合成数据集，比较不同配置的YOLOv12模型与YOLOv11和YOLOv10模型的性能。

• 实地测试与真实图像：使用商业苹果园中机器视觉传感器采集的真实世界图像对训练好的模型进行验证，以测试模型在实际农业环境中的实用性。

YOLOV12: A BREAKDOWN OF THE KEY ARCHITECTURAL FEATURES

论文标题：

YOLOV12: A BREAKDOWN OF THE KEY ARCHITECTURAL FEATURES

论文链接：

摘要：本文对YOLOv12进行了架构分析，该模型是单阶段实时目标检测领域的一项重大进展，在继承前代模型优势的同时引入了关键改进。该模型采用了优化后的骨干网络（R-ELAN）、7×7可分离卷积以及基于FlashAttention的区域注意力机制，从而提升了特征提取能力、效率和检测 robustness。与前代模型类似，YOLOv12提供多种模型变体，可为对延迟敏感和高精度应用提供可扩展的解决方案。实验结果显示，在平均精度（mAP）和推理速度方面均有显著提升，使YOLOv12成为自主系统、安全和实时分析等应用的理想选择。通过在计算效率与性能之间实现最优平衡，YOLOv12为实时计算机视觉树立了新标杆，支持在从边缘设备到高性能集群的多元硬件平台上部署。

除了技术创新外，YOLOv12 继承了 YOLO 系列广泛适用性的传统。其增强的特征提取能力使在密集环境（如城市交通和拥挤的公共场所）中实现更可靠的检测成为可能。在汽车领域，通过更精准地检测和跟踪道路使用者，YOLOv12 可提升高级驾驶辅助系统（ADAS）和自动驾驶车辆的可靠性。YOLOv12 在医疗领域的精度提升可促进医学影像的详细分析，例如检测放射影像中的异常或分割解剖结构。同时，农业领域可借助其强大的小目标检测能力，实现作物健康监测及早期识别害虫或疾病。

总之，YOLOv12 凭借在速度、精度和资源效率方面的显著提升，有望为计算机视觉领域带来重大贡献。本文全面探讨了YOLOv12的架构创新及其对实时目标检测的意义。在这一介绍之后，我们将追溯YOLO家族的演进里程碑，为理解YOLOv12的核心设计元素——注意力机制、R-ELAN和7×7可分离卷积——如何共同提升模型性能并拓展其应用范围奠定基础。

若您对YOLOv12系列文章仍有浓厚兴趣，欢迎大家私信或评论，小编会继续努力帮大家寻找相关文章，为您探寻更多精彩内容。