Dossier de preuve de méthode

YOLO

YOLO (You Only Look Once) is a single-shot, end-to-end convolutional object detector introduced by Redmon, Divvala, Girshick, and Farhadi at CVPR 2016. It reframes object detection as a single regression problem — predicting bounding box coordinates and class probabilities directly from an image in one forward pass — achieving real-time detection speeds that prior two-stage methods such as R-CNN could not match. The original paper spawned a widely adopted family of successors (YOLOv2 through v11) that continues to dominate applied object detection benchmarks.

Sources recorded, not reviewed

Dossier source

Citations copiées telles quelles du dossier source de la méthode. Aucune vérification au niveau de la revendication n'en est déduite.

YOLO: You Only Look Once — Unified, Real-Time Object Detection

Dossier de méthode taxonomique · ml-model / deep-learning

Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You Only Look Once: Unified, Real-Time Object Detection. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 779–788. · DOI 10.1109/CVPR.2016.91
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press. · ISBN 978-0-262-03561-3

Ouvrir la méthode complète

Revendications organisées

Revendications enregistrées dans le registre de preuves, chacune avec sa propre évaluation.

Pas encore de revendications organisées

Cette vue n'invente pas d'évaluation de revendication lorsque le registre n'en contient aucune.

Méthodes apparentées

Généré à partir du graphe de méthodes et présenté comme des relations suggérées par la machine — aucune revendication de preuve n'est déduite.

Same method familyResNetmachine-suggested · Relational suggestion, not evidence.