这实质上实现了实时检测领域的长期目标：在保持顶尖精度的同时，构建可移植性强且适配性强的图谱，实现从云端GPU到资源受限边缘设备的全场景适配。其重要性涵盖自动驾驶、机器人技术、监控系统、医学影像、农业及智能制造等多个领域，在这些场景中，可靠的实时性能直接转化为安全系数提升、效率优化和自动化增益。YOLO的演进历程如图1所示，从早期Ultralytics版本（如YOLOv5）到最新版本YOLO26（2

应对这一挑战的前景广阔之策，是构建针对特定种植系统的大规模、带标注的杂草图像数据集，并开发基于数据驱动的人工智能（AI）模型用于杂草检测。本研究提出了一个针对美国南部棉花生产关键杂草的新数据集（CottoWeedDet12），该数据集包含12类杂草的5648张图像，共9370个边界框标注，均采集自棉田自然光照条件下不同生长阶段的样本。本研究使用的杂草检测数据集2及模型基准测试软件代码均已公开发布，

一种最新的目标检测器

目标检测、领域自适应、对比学习

本文提出了 YOLOE-26——一个统一框架，它将经过部署优化的YOLO26架构与 YOLOE 的开放词汇学习范式相结合，用于实时开放词汇实例分割。为实现高效的开放词汇推理，该框架整合了支持零开销文本提示的可重参数化区域-文本对齐（RepRTA）、用于示例引导分割的语义激活视觉提示编码器（SAVPE），以及支持无提示推理的惰性区域提示对比机制。大量实验表明，无论在有提示还是无提示场景下，该框架在不

本研究提出了基于YOLOv9架构改进的模型——YOLO特征与聚类增强模型（YOLO-FCE）。该模型在包含50种澳大利亚动物物种、每种物种700张图像的数据集上完成训练和测试，共处理35,000张图像。与在同一数据集上评估的YOLOv9、YOLOv11及Faster R-CNN等基线模型相比，YOLO-FCE展现出卓越的性能表现。本研究提出了一种高性能野生动物检测模型YOLO-FCE，该模型基于Y

在本研究中，我们推出了SR-YOLOv5s——一个物体检测框架，该框架将轻量级、全卷积的超分辨率骨干网络集成到YOLOv5s中，以提升特征提取能力并提高检测精度，尤其适用于光学遥感图像中的微小血管结构。此外，我们评估了基于 FPGA 架构在边缘计算场景下加速CNN推理的优势，实现了延迟、精度与功耗之间的良好平衡。经过INT8量化后，我们的PolarFire SoC设计可在动态功耗约1.16W的情况

最后，我们在两个具有高变异性且极具挑战性的目标数据集上验证了本方法，并相较于现有 SOTA 方法实现了显著性能提升：在 DOTA 和 NWPU VHR -10数据集上，我们的mAP值分别比最新的 SOTA MGADA 方法高出7.3%和4.6%。我们首次针对存在显著领域差异且以小型物体为主的高度不平衡卫星数据集，构建了基于对比学习的目标检测DA基准测试：相较于现有最佳 SOTA 方法，在 DOTA

为缓解DETR模型中一对一匹配（O2O）固有的稀疏监督问题， DEIM 采用了密集型O2O匹配策略：通过运用标准数据增强技术引入额外目标样本，从而提升每张图像的正样本数量。虽然密集型O2O匹配能加快收敛速度，但也会产生大量低质量匹配结果，影响模型性能。此外，基于 DEIM 训练的实时模型表现优于主流实时目标检测器—— DEIM -D-FINE-L和 DEIM -D-FINE-X在 NVIDIA T

本文提出了一种适用于动态施工环境中的鲁棒目标检测主动学习框架，有效解决了标注数据有限及标注成本高昂的挑战。相较于随机采样方法，该方法可降低30%-40%的标注工作量，充分展现了其在改进建筑构件识别算法开发方面的潜力——尤其适用于安全设备、建筑部件及施工工具等通常不可见的小型物体识别场景。本文提出了一种稳健且高效的主动学习框架，用于动态建筑工地中的目标检测任务，该框架充分利用了YOLOv10的先进能