将YOLO检测器切换为无锚方式，并采用其他先进技术，解耦的头部和领先的标签分配策略SimOTA，以实现跨大规模模型范围的最新成果：对于仅有0.91M参数和1.08G FLOPs的YOLO-Nano， 在COCO上取得25.3AP，超越了NanoDet；对于yolov3，提升47.3%AP。
一 引言
YOLO系列始终追求实时应用中最佳速度和准确度的平衡，他们提取了当时最先进的检测技术（YOLOv2中的锚点，YOLOv3中的残差网络）
无锚框机制YOLOv4和YOLOv5都遵循YOLOv3的原始锚框机制流程，然而锚框机制存在许多已知问题。首先，在训练之前，需要进行聚类分析以确定一组最佳锚点，这些聚类锚点是特定领域的，不太通用，其次，锚定机制增加了检测头的复杂性，以及每个图像的预测数量，会存在延迟。
二 SimOTA
先进的标签分配是近年来目标检测的另一个重要进展，根据我们自己的OTA研究，我们总结了四个与先进标签分配相关的关键观点：
- 对损失/质量敏感
- 中心先验
- 每个GT（简称动态Top-k）的正锚点数动态变化
- 全局视图
OTA满足了上述所有四个规则，因此我们选择它作为候选标签分配策略
具体来说：OTA从全局角度分析标签分配，并将分配过程形式化为最优传输（OT）问题，获得了在当前分配策略中的最佳性能。
在实践中，我们发现通过Sinkhorn-Knopp 算法解决OT问题会增加25%的训练时间，因此我们简化为动态top-k策略，并将其，命名为SimOTA以获得一个近似解。
SimOTA首先计算每个预测-真值对之间的成对匹配度，用cost或quality表示。例如：在SimOTA中。GT和prediction之间的成本计算：
SimOTA不仅减少了训练时间，还避免了Sinkhorn-Knopp算法中额外求解器超参数。SimOTA将检测器的AP提升了3.0%，从45.0%提高到了47.3%
