yolo系列自诞生以来，通过不断提升速度和精度，彻底革新了目标检测领域。从yolov1的单阶段预测方法，到后续借助yolov3的Darknet、yolov5的跨阶段局部网络（CSP）以及其他各种创新技术所做出的改进，每个版本都为实际应用带来了更高的性能和效率。

目前yolo系列已更新至yolov12版本，它突破了传统CNN架构的局限，首次提出以注意力机制为核心的实时检测，对检测架构进行了全新的构思。yolov12整体架构图如下：

yolov12通过三个创新点实现性能的跃升：

蒙帕研发团队从20个指示灯公有数据集中每个随机抽取55张图片，并对红黄蓝灯进行如下图所示的500张图像增强，混合在一起共1600张数据，以0.92：0.08的比例制作训练集和验证集。

模型训练时，batch-size设置为5, epoch设置为200。测试时，模型输入设置为1440，置信度阈值设为0.21，nms阈值设为0.1。以下为yolov12模型指示灯检测结果：

由以上检测结果可以看出，yolov12模型在无遮挡和有网格遮挡场景下，均能精准识别出指示灯。

展望未来，预计会出现更多基于yolov12 的变体，蒙帕团队会持续针对更低功耗和更广泛的应用领域进行优化，为实现更高效的目标检测解决方案奠定技术基石。