YOLO自2015 年横空出世，便以“快而准”的特性成为实时目标检测的代名词。从早期引入锚框、多尺度预测，到全面拥抱PyTorch、实现无锚框设计；从轻量化部署到融合Transformer、开放词汇甚至零样本能力——YOLO的进化从未停止，始终活跃在自动驾驶、智能安防、工业质检等对速度与鲁棒性要求极高的前沿场景。
很多人以为YOLO“已经卷到头了”，但事实恰恰相反：过去一年，围绕架构改进、跨模态扩展、高效训练策略等方向，顶会论文中仍有大量高质量YOLO变体涌现。比如结合Mamba状态空间模型、超图注意力、动态稀疏检测头等新思路，持续突破性能边界。
我们整理了100+篇YOLO全版本前沿论文+代码，包含注意力机制、mamba、多尺度特征融合等，扫码免费领取，省下几周文献调研时间，把精力留给真正有价值的创新！！
扫码回复【yolo系列】
领取论文合集
1. 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: 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。
扫码回复【yolo系列】
领取论文合集
3.YOLO+Mamba
推荐论文：Mamba yolo: A simple baseline for object detection with state space model
【要点】本文提出了一种基于状态空间模型（SSM）的Mamba-YOLO目标检测模型，通过LSBlock和RGBlock优化了SSM的局限性，实现了性能的提升，并在COCO和VOC数据集上证明了其优越性。
【方法】通过引入LSBlock和RGBlock，优化了SSM的序列建模能力，增强了模型对图像局部依赖性的捕获。
4. YOLO+Sam
推荐论文：Soybean pod and seed counting in both outdoor fields and indoor laboratories using unions of deep neural networks
【要点】本研究提出了一种结合深度学习的方法，用于在室外田野和室内实验室中高效计数大豆荚和种子，创新点在于对室外场景中隐藏种子的识别以及室内场景中精确计数能力的提升。
【方法】研究采用YOLO结合HQ-SAM和领域自适应技术（YOLO-SAM和YOLO-DA）对室外田野的大豆图像进行处理，同时使用Mask-RCNN增强版（Mask-RCNN-Swin）对室内实验室的大豆图像进行计数。
【实验】在室外田野的大豆图像上测试，实现了豆荚计数的平均绝对误差（MAE）为6.13，种子计数MAE为10.05；在室内实验室的实际图像上，使用两个独立研究的数据，豆荚计数MAE为1.07，种子计数MAE为1.33。
扫码回复【yolo系列】
领取论文合集
看完这些最新研究方向，就可以开始准备CVPR、ICLR、AAAI等顶会论文了，但是如果你在写论文时还是想不出idea，缺乏数据集，不知道如何选择期刊投稿，那么可以找到追梦AI！专注学术背景提升，为大学生、硕士、博士提供专业的学术辅导服务。（郑重声明：不代写！）
领取福利
科研资料大放送：
1.《申博咨询规划一次》
2.《1000+热门idea合集》
3.《往期大牛热点分析直播课》
4.《全方向顶会顶刊论文合集》
扫码免费领取科研大礼包
