本文由纽约州立大学布法罗分校的田运杰，David Doermann和中国科学院大学的叶齐祥合作完成。田运杰是布法罗大学博士后，David Doermann是布法罗大学教授、IEEE Fellow, 叶齐祥是中国科学院大学教授。三位作者长期从事计算机视觉、机器感知等方向的研究。
YOLO 系列模型的结构创新一直围绕 CNN 展开，而让 transformer 具有统治优势的 attention 机制一直不是 YOLO 系列网络结构改进的重点。这主要的原因是 attention 机制的速度无法满足 YOLO 实时性的要求。本周三放出的 YOLOv12 着力改变这一现状并取得具有优势的性能。
- 论文标题：YOLOv12: Attention-Centric Real-Time Object Detectors
- 论文地址：https://arxiv.org/pdf/2502.12524
- 代码地址：https://github.com/sunsmarterjie/yolov12
介绍
造成 attention（注意力机制）不能作为核心模块用于 yolo 框架的主要原因在于其本身的低效性，这主要源于两个因素：（1）attention 的计算复杂度呈二次增长；（2）attention 的内存访问操作低效（后者是 FlashAttention 主要解决的问题）。在相同的计算预算下，基于 CNN 的架构比基于 attention 的架构快约 2-3 倍，这极大限制了 attention 在 YOLO 系统中的应用，由于 YOLO 体系高度依赖高推理速度。
首先，作者提出了一种简单而高效的区域注意力模块（area attention, A2），该模块在保持大感受野的同时，以最简单直接的方式降低了 attention 的计算复杂度，从而提升了计算速度。
其次，作者引入了残差高效层聚合网络（R-ELAN），以解决 attention（主要是大规模模型）带来的优化难题。
R-ELAN 在原始的基础上进行了两项改进：1）block 级残差设计，结合缩放技术以优化梯度流动；2）重新设计的特征聚合方法，以提升模型的优化效率。
最后，作者针对 YOLO 体系对 attention 进行了一系列架构改进，优化了传统的 attention 主导架构，包括：1）引入 FlashAttention 以解决注意力机制的显存访问问题；2）移除位置编码等设计，使模型更加高效简洁；3）调整 MLP ratio（从 4 降至 1.2），以平衡注意力机制和前馈网络的计算开销，从而提升整体性能；4）减少堆叠块的深度，以简化优化过程等。
Area Attention
首先介绍 area attention 机制，其目的在于降低传统 attention 的计算代价，同时克服线性注意力和局部注意力在全局依赖性、稳定性及感受野方面的局限性。为此，作者提出了一种简单高效的区域注意力（A2）模块。
不同于局部注意力的显式窗口划分，A2 采用最简单的方式将特征图划分为纵向或横向的区域（每个区域大小为
或
，这仅需简单的 reshape 操作，避免了额外的复杂计算带来的开销，从而提升计算效率。
在实验中，作者将默认分割数
设为 4，使感受野缩小至原来的
，仍能覆盖足够的信息范围。在计算复杂度方面，A2 将注意力机制的计算量从 
降低至 
。尽管仍保持二次复杂度，但在 token 数量 n 不是特别大的情况下（如 YOLO：640x640），此优化方案在实际应用中仍足够高效，满足了实时推理的需求。最终，实验表明，A2 仅对性能产生轻微影响，但显著提升了计算速度，为 YOLO 等对速度要求极高的任务提供了一种更优的注意力机制替代方案。
R-ELAN
R-ELAN 的主要动机是优化 ELAN 结构，以提升特征聚合效率并解决其带来的优化不稳定性问题，尤其是在引入注意力机制后，参数量较大的模型（如 YOLOv12-L 和 YOLOv12-X）容易发生梯度阻塞或收敛困难。为此，作者提出了残差高效层聚合网络（R-ELAN）。
与原始 ELAN 不同，R-ELAN 在整个 block 内引入从输入到输出的残差连接，并结合缩放因子（默认 0.01），以稳定训练并优化梯度流动。
此外，作者重新设计了特征聚合方式，使其采用瓶颈结构（如上图所示），通过调整通道维度并简化计算流程，以减少计算成本和显存占用，同时保持高效的特征融合能力。最终，R-ELAN 显著提升了模型的优化稳定性和计算效率，使 YOLOv12 的大规模模型能够更好地收敛，并在保证性能的同时提升推理速度。
结构改进
另外，作者还提出一些优化技术，使注意力机制更适应实时目标检测任务，同时降低计算开销并提升优化稳定性。
首先，作者保留了 YOLO 主干网络的分层设计，不同于很多基于 attention 的架构采用的平铺结构的视觉 Transformer。
此外，作者减少了主干网络（Backbone）最后阶段的堆叠的 block 数量，仅保留单个 R-ELAN block，以减少计算量并优化训练收敛性。主干网络的前两阶段继承自 YOLOv11，未使用 R-ELAN，以保持轻量级设计。
同时，作者对基础注意力机制进行了一系列优化，包括：调整 MLP ratio（从 4 降至 1.2 或 2）以更合理地分配计算资源，用 Conv2d+BN 替换 Linear+LN 以充分利用卷积算子的计算效率，移除位置编码并引入 7x7 可分离卷积（Position Perceiver） 以帮助区域注意力感知位置信息。
最终，这些改进提升了模型的优化稳定性和计算效率，使其更适用于 YOLO 系统，同时保持具有竞争力的性能。
实验结果
YOLOv12 在 COCO 上取得的效果如下表所示：
- N-scale 模型：YOLOv12-N 比 YOLOv6-3.0-N、YOLOv8-N、YOLOv10-N 和 YOLOv11-N 分别提升 3.6%、3.3%、2.1%、1.2%，同时计算量和参数规模相近或更少，推理速度达到具有竞争力的 1.64 ms / 图像。
- S-scale 模型：YOLOv12-S 在 21.4G FLOPs 和 9.3M 参数的情况下，实现 48.0% mAP，比 YOLOv8-S、YOLOv9-S、YOLOv10-S 和 YOLOv11-S 分别提升 3.0%、1.2%、1.7%、1.1%，计算量相近或更少，并且在推理速度、计算开销和参数量方面明显优于 RT-DETR-R18 / RT-DETRv2-R18。
- M-scale 模型：YOLOv12-M 在 67.5G FLOPs 和 20.2M 参数的情况下，实现 52.5 mAP，推理速度 4.86 ms / 图像，在各项指标上均优于 Gold-YOLO-M、YOLOv8-M、YOLOv9-M、YOLOv10-M、YOLOv11-M 以及 RT-DETR-R34 / RT-DETRv2-R34。
- L-scale 模型：YOLOv12-L 相较于 YOLOv10-L，减少了 31.4G FLOPs 的计算量，同时 mAP 仍优于 YOLOv11-L 达 0.4%，计算量和参数量相近。此外，YOLOv12-L 在推理速度、FLOPs（减少 34.6%）和参数量（减少 37.1%）方面均优于 RT-DETR-R50 / RT-DETRv2-R50。
- X-scale 模型：YOLOv12-X 比 YOLOv10-X 和 YOLOv11-X 分别提升 0.8% 和 0.6%，计算量和参数量相近，推理速度基本持平。同时，相比 RT-DETR-R101 / RT-DETRv2-R101，YOLOv12-X 计算量减少 23.4%，参数量减少 22.2%，且推理速度更快。
可视化分析
参数量 / CPU 速度 - 精度的 Trade-offs 比较：YOLOv12 在参数量和 CPU 推理速度方面上均实现了突破。如上图所示，实验结果显示，YOLOv12 在准确率 - 参数量平衡方面优于现有方法，甚至超越了参数量更少的 YOLOv10，证明了其高效性。此外，在 CPU（Intel Core i7-10700K @ 3.80GHz）上的推理速度测试中，YOLOv12 在不同 YOLO 版本中展现出最佳的计算效率。
YOLOv12 热力图分析：上图展示了 YOLOv12 与当前最先进的 YOLOv10 和 YOLOv11 的热力图对比。这些热力图来自 X-scale 模型主干网络的第三阶段，显示了模型激活的区域，从而反映其目标感知能力。结果表明，相较于 YOLOv10 和 YOLOv11，YOLOv12 能够生成更清晰的目标轮廓和更精确的前景激活，说明其目标感知能力得到了提升。这一改进主要归因于区域注意力机制（Area Attention），该机制相比卷积网络具有更大的感受野，因此在捕捉全局上下文信息方面更具优势，从而实现了更精准的前景激活。作者认为，这一特性使 YOLOv12 在检测性能上占据优势。
最后，我们期待 YOLO 社区能继续提出更强大的检测器，为实时目标检测任务提供更多选择。
