🚀 YOLOv12：计算机视觉任务的多功能选择，速度与精度双巅峰！ 🚀

本教程采用算力资源为 RTX 4090 。

一、教程简介📖

YOLOv12 是由布法罗大学和中国科学院大学的研究人员于 2025 年推出，相关论文成果为「YOLOv12: Attention-Centric Real-Time Object Detectors」。

长期以来，增强 YOLO 框架的网络架构一直是计算机视觉领域的核心课题。尽管注意力机制在建模能力上表现出色，但基于 CNN 的改进仍然是主流，因为基于注意力的模型在速度上难以匹敌。然而，YOLOv12 的推出改变了这一局面！它不仅在速度上与基于 CNN 的框架相媲美，还充分利用了注意力机制的性能优势，成为实时物体检测的新标杆。

YOLOv12 的突破性表现

YOLOv12-N 在 T4 GPU 上以 1.64 毫秒的推理延迟实现了 40.6% 的 mAP，比 YOLOv10-N / YOLOv11-N 高出 2.1%/1.2% 的 mAP 。
YOLOv12-S 击败了 RT-DETR-R18 / RT-DETRv2-R18，运行速度提高了 42%，计算量仅用了 36%，参数减少了 45% 。

📜 YOLO 发展历程及相关教程

YOLO (You Only Look Once) 自 2015 年推出以来，一直是目标检测和图像分割领域的佼佼者。以下是 YOLO 系列的演进历程：

YOLOv2 (2016)：引入批量归一化、锚框和维度集群。
YOLOv3 (2018)：使用更高效的骨干网络、多锚和空间金字塔池。
YOLOv4 (2020)：引入 Mosaic 数据增强、无锚检测头和新的损失函数。→ 教程：DeepSOCIAL 基于 YOLOv4 与 sort 多目标跟踪实现人群距离监测
YOLOv5：增加超参数优化、实验跟踪和自动导出功能。→ 教程：YOLOv5_deepsort 实时多目标跟踪模型
YOLOv6 (2022)：美团开源，广泛应用于自主配送机器人。
YOLOv7：支持 COCO 关键点数据集的姿势估计。
YOLOv8 (2023)：Ultralytics 发布，支持全方位的视觉 AI 任务。
YOLOv9：引入可编程梯度信息 (PGI) 和广义高效层聚合网络 (GELAN) 。
YOLOv10：清华大学推出，引入端到端头，消除非最大抑制 (NMS) 要求。→ 教程：YOLOv10 实时端到端目标检测
YOLOv11：Ultralytics 最新模型，支持检测、分割、姿态估计、跟踪和分类。→ 教程：一键部署 YOLOv11
YOLOv12 🚀 NEW：速度与精度双巅峰，结合注意力机制的性能优势！