Skip to main content
QUICK REVIEW

[논문 리뷰] YOLOv1 to YOLOv11: A Comprehensive Survey of Real-Time Object Detection Innovations and Challenges

Manikanta Kotthapalli, Deepika Ravipati|ArXiv.org|2025. 08. 04.
Advanced Neural Network ApplicationsComputer Science인용 수 5
한 줄 요약

YOLO v1에서 v9까지의 포괄적 YOLO 계열 연구로 v10/v11의 신흥 논의, 아키텍처 혁신, 성능 벤치마크, 배포 및 해결 과제에 대해 다룸.

ABSTRACT

Over the past decade, object detection has advanced significantly, with the YOLO (You Only Look Once) family of models transforming the landscape of real-time vision applications through unified, end-to-end detection frameworks. From YOLOv1's pioneering regression-based detection to the latest YOLOv9, each version has systematically enhanced the balance between speed, accuracy, and deployment efficiency through continuous architectural and algorithmic advancements.. Beyond core object detection, modern YOLO architectures have expanded to support tasks such as instance segmentation, pose estimation, object tracking, and domain-specific applications including medical imaging and industrial automation. This paper offers a comprehensive review of the YOLO family, highlighting architectural innovations, performance benchmarks, extended capabilities, and real-world use cases. We critically analyze the evolution of YOLO models and discuss emerging research directions that extend their impact across diverse computer vision domains.

연구 동기 및 목표

  • v1에서 v9까지의 YOLO 아키텍처 진화를 조사합니다(또한 v10/v11에 대한 간략한 메모).
  • 백본, 네크, 헤드, 손실 및 학습 전략이 표준 벤치마크에서 속도-정확도에 어떻게 영향을 미쳤는지 분석합니다.
  • PASCAL VOC 및 COCO에서의 성능(mAP, FPS)을 맥락화하고 엣지 vs 서버 배포에 대해 논의합니다.
  • 훈련 안정성, 도메인 시프트 강건성 및 해석 가능성과 같은 개방형 도전 과제를 식별하고 향후 방향을 제시합니다.

제안 방법

  • 다섯 축에 걸친 YOLO 혁신의 범주별 분류: Backbone, Neck, Detection Head, Loss and Assignment, Training Strategies.
  • 주요 아키텍처 및 학습 개발과 함께 v1–v9의 연대기적 검토.
  • COCO 및 VOC 데이터세트에서의 mAP 및 FPS를 포함한 성능 벤치마킹 참고문헌.
  • 실시간 작업을 위한 엣지 및 서버 환경 간 배포 특성에 대한 논의.
  • 개방형 도전 과제의 정리 및 제안된 미래 연구 방향.

실험 결과

연구 질문

  • RQ1YOLO 버전 간 어떤 아키텍처 변화가 속도-정확도 트레이드를 가장 크게 개선했나요?
  • RQ2학습 전략과 손실/할당 함수가 수렴성과 강건성을 개선하기 위해 어떻게 발전해 왔나요?
  • RQ3각 YOLO 세대에 대한 실제 배포 영향(엣지 vs 서버)은 무엇인가요?
  • RQ4YOLO에서 남아 있는 개방형 도전 과제(훈련 안정성, 도메인 시프트, 해석 가능성)는 무엇이며 향후 연구는 어디에 초점을 맞춰야 하나요?
  • RQ5최신 YOLO 버전(v8–v9, v10/v11에 대한 언급 포함)이 세분화(segmentation), 포즈 추정(pose estimation), 다중 작업 학습으로의 확장을 어떻게 이뤄내나요?

주요 결과

  • YOLO의 진화는 세대별로 mAP와 FPS의 지속적인 향상을 보여주며, 백본 및 네크 설계의 주목할 만한 혁신(Darknet-53, CSPDarknet, PANet, GELAN 등)이 있었습니다.
  • 앵커 기반에서 앵커 프리로의 전환(v8)과 분리된 헤드(v6–v7)은 특히 작은 물체에서 위치 추정 정확도와 강건성을 일관되게 향상시켰습니다.
  • 고급 학습 전략(Mosaic, CutMix, EMA, SimOTA, DFL v2) 및 재매개변화는 더 나은 수렴과 배치 효율성을 가능하게 했습니다.
  • YOLOv4–v9는 COCO에서 실시간 탐지 최첨단 성능을 보여주며, 엣지 배포 준비성과 다중 작업 기능(세분화, 포즈 추정)을 크게 갖추고 있습니다.
  • 본 조사는 앵커 프리 변형의 훈련 안정성, 도메인 시프트에 대한 강건성, 해석 가능성과 같은 개방형 도전 과제를 강조하며 향후 연구 방향을 제시합니다.

이 논문 읽기

누빈트 뷰어에서 원문을 열고, 읽으면서 궁금한 곳을 바로 물어보세요.

누빈트에서 이 논문 읽기

이 리뷰는 AI가 논문 원문을 바탕으로 만들었습니다. 인용하기 전에 원문을 확인해 주세요.