本文综述了Ultralytics YOLO系列目标检测器的演进历程，重点分析了YOLO26、YOLO11、YOLOv8和YOLOv5的关键技术创新与性能对比。YOLO26通过移除DFL损失、实现无NMS推理、引入渐进式损失平衡和小目标感知标签分配等创新，在COCO数据集上展现了最优的精度-效率平衡。研究还探讨了YOLO模型在农业、自动驾驶等领域的应用，并指出了密集场景检测、混合架构等未来发展方向。

YOLO26是YOLO系列的最新成员，针对实时目标检测进行了多项架构创新和性能优化。论文详细介绍了YOLO26的五大关键技术：移除分布焦点损失简化模型导出、端到端无NMS推理实现高效预测、渐进式损失平衡提升训练稳定性、小目标感知标签分配增强检测能力，以及新型MuSGD优化器加速收敛。在COCO数据集测试中，YOLO26以更少的参数取得了更高的mAP值，特别是在小目标检测上表现突出。边缘设备部署测试

本文提出了一种基于Raspberry Pi的多智能体目标检测框架，整合YOLO检测器与Slack-Ollama自然语言界面。系统采用事件驱动消息交换机制，在单一资源受限平台上实现了视觉智能体、报告智能体和通信智能体的协同工作。研究验证了生成式AI驱动的快速原型设计方法在边缘计算中的可行性，同时揭示了本地部署方案的性能局限。该框架为智能家居、教育研究等领域提供了低成本AI解决方案，平衡了隐私保护与计

本文提出了一种基于Raspberry Pi的多智能体目标检测框架，整合YOLO检测器与Slack-Ollama自然语言界面。系统采用事件驱动消息交换机制，在单一资源受限平台上实现了视觉智能体、报告智能体和通信智能体的协同工作。研究验证了生成式AI驱动的快速原型设计方法在边缘计算中的可行性，同时揭示了本地部署方案的性能局限。该框架为智能家居、教育研究等领域提供了低成本AI解决方案，平衡了隐私保护与计

本研究系统分析了边缘设备上目标检测模型在故障条件下的硬件性能表现。通过在NVIDIA Jetson Nano上测试TensorRT优化的YOLO系列模型，发现即使输入数据严重退化，系统仍能保持稳定的GPU利用率、可控的温度和安全的功耗范围。创新性地采用LLM和扩散模型生成多样化故障场景，为目标检测系统的可靠性设计提供了硬件层面的重要参考。研究结果表明，当前边缘AI系统具备良好的故障容忍能力，为自动

YOLO26架构创新与性能突破 YOLO26作为YOLO系列最新版本，通过多项关键技术革新实现了显著性能提升。研究重点分析了其四大核心改进：消除Distribution Focal Loss（DFL-Free）、实现端到端NMS-Free推理、引入小目标感知标签分配（STAL）以及采用新型MuSGD优化器。这些设计使模型在CPU模式下获得43%的推理加速，同时保持高精度检测能力。 架构采用CSP-

本文提出一种可扩展AI方法，利用预训练基础模型自动检测面对面协作学习中的注视行为。该方法通过整合YOLO11头部检测、Gaze-LLE注视估计和YOLOE-26物体检测模块，构建端到端注视分析管道，无需人工标注数据即可实现高精度注视行为分类（S-学生、L-笔记本电脑、O-其他）。相比传统监督学习方法，本方案具有三大优势：(1)消除对标注数据的依赖；(2)在不同小组配置和场景下保持鲁棒性；(3)仅需

本文提出了一种基于计算机视觉的AI驱动足球分析系统，能够从原始比赛视频自动生成球员二维场地表示。系统结合YOLO目标检测、SAM2分割跟踪和自定义CNN关键点检测，通过单应性变换将摄像机视角转为俯视图，并采用K-Means聚类实现自动团队分类。实验表明，YOLOv5x在球员检测上取得最佳F1-score(0.8451)，关键点检测MAE仅7.65像素，最终投影误差0.26米。该系统无需人工标注即可

YOLOv11论文解析：高性能目标检测新突破 这篇论文深入分析了YOLOv11目标检测框架的创新设计与性能优势。作为YOLO系列最新迭代，YOLOv11通过三大核心模块显著提升了检测性能： C3K2模块采用3×3小卷积核优化计算效率 SPPF模块实现高效多尺度特征融合 C2PSA注意力机制增强小目标检测能力 研究显示，在COCO基准测试中，YOLOv11相比前代YOLOv8实现了2.2%的mAP提

本文提出了一种用于Pap涂片Bethesda细胞检测的多阶段优化管道，在ISBI 2026 RIVA挑战赛中获得第二名（mAP50-95:0.5909）。针对细胞检测中标准100×100像素标注与实际形态不符的问题，创新性地调整了标注尺寸范围（10×10到120×120像素）。方法整合了YOLO和U-Net的优势：两个YOLOv8n模型分别检测不同尺度细胞，U-Net提供高精度热图回归。核心创新是