AI I024: 2025年十大前沿目标检测模型汇总!

2025年8月21日星期四

2025年十大前沿目标检测模型汇总!

目标检测是计算机视觉的核心任务，负责识别图像目标并定位位置。深度学习革新了目标检测技术，大幅提升准确率与效率。

目标检测是计算机视觉的核心任务，负责识别图像目标并定位位置。深度学习革新了目标检测技术，大幅提升准确率与效率。2025 年，多款深度学习模型在目标检测领域取得突破，以下介绍十大前沿模型。

扫码回复【目标检测模型】

领取论文合集

1. YOLOv13

推荐论文：YOLOv13: Real-Time Object Detection with Hypergraph-Enhanced Adaptive Visual Perception

【要点】本研究提出了一种新的实时物体检测模型YOLOv13，通过引入超图增强的自适应相关强化机制HyperACE，实现了高效的跨位置和跨尺度特征融合，显著提升了检测精度和计算效率。

【方法】研究采用超图计算方法，提出HyperACE机制，以及基于HyperACE的全流程聚合与分配范式FullPAD，并使用深度可分离卷积优化网络结构。

【实验】在MS COCO数据集上进行广泛实验，YOLOv13-N模型相比YOLO11-N和YOLOv12-N在mAP指标上分别提高了3.0%和1.5%，证明了模型性能的提升。

2.YOLOv12

推荐论文：YOLOv12: Attention-Centric Real-Time Object Detectors

【要点】本研究提出了一个以注意力机制为核心的实时物体检测框架YOLOv12，它在保持与传统基于CNN的模型速度相当的同时，利用了注意力机制的性能优势，实现了更高的准确度和竞争力速度。

【方法】作者通过将注意力机制融入YOLO框架中，设计了一种新的网络架构，该架构能够在不牺牲速度的前提下提升检测性能。

【实验】在T4 GPU上，YOLOv12-N模型以1.64毫秒的推理延迟达到了40.6的准确度，超越了先进的YOLOv10-N和YOLOv11-N模型，并在不同规模模型上均有显著表现。此外，YOLOv12-S也在RT-DETR和RT-DETRv2等改进的端到端实时检测器上取得了领先。

3. 基于transformer的目标检测

推荐论文：Mr. DETR: Instructive Multi-Route Training for Detection Transformers.

【要点】本文提出了一种新型的多路线训练机制Mr. DETR，通过同时进行一对一和一对多预测，显著提高了检测变换器的训练效果，并引入了指导性自注意力机制和路由感知的混合专家模型来优化训练过程。

【方法】通过将检测变换器视为多任务框架，本文的方法在解码器中同时学习一对一和一对多预测任务，并对每个组件（自注意力、交叉注意力和前馈网络）的作用进行了研究。

【实验】本文在多个对象检测基线上进行了广泛实验，使用的数据集未明确提及，但根据常见的对象检测基准测试，可能包括COCO等。

3. CenterNet++

推荐论文：CenterNet++ for Object Detection

【要点】本文提出了一种名为CenterNet++的底向上对象检测方法，通过使用关键点三元组（左上角、右下角和中心点）检测对象，无需定义锚框，实现了与顶向下方法相当的性能，并在MS-COCO数据集上取得了领先的准确度。

【方法】作者通过设计关键点三元组，将对象检测任务转化为关键点检测问题，通过角关键点分组确定对象位置，中心关键点减少假阳性提议带来的混淆，且该方法不依赖于锚框，适用于不同结构的网络。

【实验】在MS-COCO数据集上，使用Res2Net-101和Swin-Transformer作为骨干网络的CenterNet分别达到了53.7%和57.1%的平均精度（AP），超过了所有现有的底向上检测器，并实现了实时CenterNet模型，该模型在30.5帧每秒（FPS）下达到了43.6%的AP。