YOLOv12: Aufmerksamkeitszentrierte Echtzeit-Objekterkennungssysteme

YOLOv12: Attention-Centric Real-Time Object Detectors

February 18, 2025

Autoren: Yunjie Tian, Qixiang Ye, David Doermann

cs.AI

Zusammenfassung

Die Verbesserung der Netzwerkarchitektur des YOLO-Frameworks war lange Zeit von entscheidender Bedeutung, konzentrierte sich jedoch trotz der nachgewiesenen Überlegenheit von Aufmerksamkeitsmechanismen in Bezug auf Modellierungsfähigkeiten auf CNN-basierte Verbesserungen. Dies liegt daran, dass auf Aufmerksamkeit basierende Modelle die Geschwindigkeit von CNN-basierten Modellen nicht erreichen können. Dieses Papier schlägt ein auf Aufmerksamkeit zentriertes YOLO-Framework vor, nämlich YOLOv12, das die Geschwindigkeit der bisherigen CNN-basierten Modelle erreicht und gleichzeitig die Leistungsvorteile von Aufmerksamkeitsmechanismen nutzt. YOLOv12 übertrifft alle populären Echtzeit-Objektdetektoren in Bezug auf die Genauigkeit bei wettbewerbsfähiger Geschwindigkeit. Beispielsweise erreicht YOLOv12-N 40,6 % mAP mit einer Inferenzlatenz von 1,64 ms auf einer T4-GPU und übertrifft damit die fortschrittlichen YOLOv10-N / YOLOv11-N um 2,1 % / 1,2 % mAP bei vergleichbarer Geschwindigkeit. Dieser Vorteil erstreckt sich auch auf andere Modellskalen. YOLOv12 übertrifft auch end-to-end Echtzeit-Detektoren, die DETR verbessern, wie RT-DETR / RT-DETRv2: YOLOv12-S schlägt RT-DETR-R18 / RT-DETRv2-R18, während es 42 % schneller läuft und nur 36 % der Berechnung und 45 % der Parameter verwendet. Weitere Vergleiche sind in Abbildung 1 dargestellt.

English

Enhancing the network architecture of the YOLO framework has been crucial for a long time, but has focused on CNN-based improvements despite the proven superiority of attention mechanisms in modeling capabilities. This is because attention-based models cannot match the speed of CNN-based models. This paper proposes an attention-centric YOLO framework, namely YOLOv12, that matches the speed of previous CNN-based ones while harnessing the performance benefits of attention mechanisms. YOLOv12 surpasses all popular real-time object detectors in accuracy with competitive speed. For example, YOLOv12-N achieves 40.6% mAP with an inference latency of 1.64 ms on a T4 GPU, outperforming advanced YOLOv10-N / YOLOv11-N by 2.1%/1.2% mAP with a comparable speed. This advantage extends to other model scales. YOLOv12 also surpasses end-to-end real-time detectors that improve DETR, such as RT-DETR / RT-DETRv2: YOLOv12-S beats RT-DETR-R18 / RT-DETRv2-R18 while running 42% faster, using only 36% of the computation and 45% of the parameters. More comparisons are shown in Figure 1.