HZAI-ZJNU/Mamba-YOLO

解決的問題

提供一個簡單的物件檢測基線，利用狀態空間模型（SSMs）取代傳統架構，旨在維持效率的同時，在 MSCOCO2017 等資料集上實現具競爭力的檢測準確度。

工作原理

Mamba YOLO 將來自 VMamba 的選擇性掃描機制（selective-scan）整合至 YOLO 風格的物件檢測框架中。基於 Ultralytics 程式碼庫建構，並提供三種模型規模：Tiny（T）、Base（B）與 Large（L），其參數數量與運算成本（FLOPs）各異。

適用對象

尋找利用狀態空間模型而非標準卷積或 Transformer 基底模型的高效物件檢測模型之電腦視覺研究人員與開發者。

亮點

• 狀態空間模型整合：使用選擇性掃描方法進行特徵提取。
• 多種模型規模：提供預訓練版本（T、B 與 L），以平衡效能與資源限制。
• uma 基礎實作：使用 PyTorch 開發，相容 Ultralytics 生態系統。