YOLO 12：以注意力为中心的物体检测！

1.概述

YOLO12 引入了一种以注意力为中心的架构，它不同于以往 YOLO 模型中使用的基于 CNN 的传统方法，但仍保持了许多应用所必需的实时推理速度。该模型通过对注意力机制和整体网络架构进行新颖的方法创新，实现了最先进的物体检测精度，同时保持了实时性能。

2.主要特点

区域注意机制： 一种新的自我注意方法，可高效处理大型感受野。它可将特征图横向或纵向划分为 l 个大小相等的区域（默认为 4 个），从而避免了复杂的操作，并保持了较大的有效感受野。与标准自注意相比，这大大降低了计算成本。

剩余高效层聚合网络（R-ELAN）： 基于 ELAN 的改进型特征聚合模块，旨在解决优化难题，尤其是在以注意力为中心的大规模模型中。

• R-ELAN 引入了具有缩放功能的块级残差连接（类似于层缩放）。

• 重新设计的特征聚合方法，创建类似瓶颈的结构。

优化注意力架构： YOLO12 简化了标准注意力机制，以提高效率并与 YOLO 框架兼容。这包括

• 使用 FlashAttention，最大限度地减少内存访问开销。

• 移除位置编码，使模型更简洁、更快速。

• 调整 MLP 比例（从典型的 4 调整为 1.2 或 2），以更好地平衡注意力层和前馈层之间的计算。

• 降低堆叠区块的深度，以提高优化效果。

• 适当利用卷积运算，以提高计算效率。

• 在注意力机制中添加 7x7 可分离卷积（“位置感知器”），以隐含地编码位置信息。

全面的任务支持： YOLO12 支持一系列核心计算机视觉任务：物体检测、实例分割、图像分类、姿态估计和定向物体检测 (OBB)。

更高的效率： 与之前的许多模型相比，YOLO12 以更少的参数实现了更高的精度，在速度和精度之间实现了更好的平衡。

灵活部署： 专为在从边缘设备到云基础设施等各种平台上部署而设计。

3.支持的任务和模式

YOLO12 支持多种计算机视觉任务。下表列出了任务支持和每种任务启用的操作模式（推理、验证、训练和输出）：

4.性能评估

在 COCO Val2017 数据集上的评估结果显示，YOLOv12 在各个模型尺度上均取得了优异的性能：

YOLOv12-N：在 640×640 的输入尺寸下，mAP 达到 40.6%，推理延迟为 1.64 毫秒，参数量为 2.6M，FLOPs 为 6.5G。

YOLOv12-S：在相同输入尺寸下，mAP 为 48.0%，推理延迟为 2.61 毫秒，参数量为 9.3M，FLOPs 为 21.4G。

YOLOv12-M：mAP 达到 52.5%，推理延迟为 4.86 毫秒，参数量为 20.2M，FLOPs 为 67.5G。

YOLOv12-L：mAP 为 53.7%，推理延迟为 6.77 毫秒，参数量为 26.4M，FLOPs 为 88.9G。

YOLOv12-X：mAP 达到 55.2%，推理延迟为 11.79 毫秒，参数量为 59.1M，FLOPs 为 199.0G。

与之前的 YOLO 版本（如 YOLOv10 和 YOLOv11）相比，YOLOv12 在精度上有显著提升。例如，YOLOv12-N 的 mAP 比 YOLOv10-N 提高了 2.1%，比 YOLOv11-N 提高了 1.2%，且推理速度相当。这种优势在其他模型尺度上同样明显。

5.全面的任务支持

YOLOv12 不仅在目标检测任务上表现出色，还支持实例分割、图像分类、姿态估计和定向目标检测（OBB）等多种计算机视觉任务。这种多任务支持使得 YOLOv12 在各类应用场景中具有广泛的适用性。

6.灵活的部署能力

YOLOv12 专为跨平台部署而设计，适用于从边缘设备到云端基础设施的各种环境。其高效的计算和内存使用，使得在资源受限的设备上也能实现高性能的目标检测。

7.总结

YOLOv12 通过引入以注意力机制为核心的架构设计，结合残差高效层聚合网络和优化的注意力机制，实现了在精度和速度上的双重提升。与之前的 YOLO 版本相比，YOLOv12 在各项指标上均有显著的改进，特别是在保持实时推理速度的同时，大幅提升了检测精度。此外，YOLOv12 的多任务支持和灵活的部署能力，使其在实际应用中具有更广泛的适用性。

总的来说，YOLOv12 的发布标志着实时目标检测技术的又一重大进步，为相关领域的研究和应用提供了更强大的工具和新的思路。