作为广谱中的关键组成部分
基于视觉的智能应用（Dalal和Triggs）
2005;Felzenszwalb， McAllester， and Ramanan 2008），目标
同时定位和分类图像中的对象。
由于卷积神经网络（CNN）（Krizhevsky，Sutskever和Hinton 2012）的强大能力，最近提出了许多基于CNN的对象检测模型，这些模型大致可以分为两类，比如一级和两级对象检测器。具体来说，两级探测器首先选择可能的目标区域
（建议），然后对这些区域进行分类。
YOLOV: 使静态图像物体检测器在视频物体检测中表现出色
视频物体检测（Video Object Detection, VID）是一项具有挑战性的任务，因为它需要处理物体外观的高变异性以及某些帧中的质量下降。尽管如此，相比单个静态图像，视频中的物体检测可以从其他帧中获得信息支持，因此如何有效地跨帧聚合特征对于解决VID问题至关重要。现有的大多数聚合算法是为两阶段检测器量身定制的，但这类检测器通常由于其两阶段的特性而计算成本高昂。
本文提出了一种简单而有效的策略来应对上述问题，它在几乎不增加额外计算负担的情况下显著提高了准确性。与传统的两阶段流程不同，YOLOV在单阶段检测后选择重要区域，避免了处理大量低质量候选对象的开销。此外，该方法评估了目标帧与参考帧之间的关系，以指导特征的聚合。
通过广泛的实验和消融研究，证明了我们的设计的有效性，并展示了其在效率和效果上优于其他最先进的VID方法。基于YOLOX的模型在ImageNet VID数据集上实现了令人瞩目的性能（例如，在单个2080Ti GPU上以超过30 FPS的速度达到87.5%的AP50），使其特别适用于大规模或实时应用。实现简单，代码和模型已在https://github.com/YuHengsss/YOLOV公开。
物体检测是视觉智能应用的核心部分，如Dalal和Triggs（2005年）以及Felzenszwalb、McAllester和Ramanan（2008年）所指出的，它的目标是在图像中同时定位和分类物体。自卷积神经网络（CNN）（Krizhevsky等人，2012年）引入以来，许多基于CNN的物体检测模型应运而生。这些模型大致分为两类：一级（one-stage）和二级（two-stage）检测器。
一级检测器如YOLO（You Only Look Once）系列直接从输入图像生成边界框预测，速度较快但可能牺牲一定的精度。而二级检测器，如Faster R-CNN和Mask R-CNN，首先生成潜在目标的建议框，然后对这些框进行分类和精炼，这通常导致更高的精度，但计算成本较高。
YOLOV在此背景下，通过优化单阶段检测器的性能并引入跨帧特征聚合策略，成功地在视频物体检测中保持了高效性和准确性。这种方法降低了处理无效候选框的计算需求，同时利用帧间信息增强检测性能。通过实验结果，YOLOV证明了其在实时性和性能之间的平衡，使得它成为处理大规模视频数据或实时场景的理想选择。
YOLOV的创新在于结合了单阶段检测器的快速性与有效利用视频时间连续性的策略，从而在不显著增加计算复杂度的同时，提升了视频物体检测的性能。这种技术的进步对于推动视频理解和智能监控等领域的应用具有重大意义。
