觉得YOLO卷无可卷了？AAAI 2025上的Mamba YOLO模型或许可以给你新的启发。这是一款创新的实时目标检测器，结合了Mamba与YOLO两大热门模型，实现了精度与实时性的最优平衡。
显然，如此成果得益于Mamba+YOLO最核心、最根本的优势——兼顾性能与效率，而这也是这方向受到高度关注的根本原因。到了现在它已经是顶会顶刊持续关注的热点了。创新方面，虽然这方向关于基础架构，也就是Mamba-YOLO已经被提出了，但在架构改进、轻量化、多模态融合、跨任务应用等方面还是有很多空间可以挖掘的。
这里为了帮助各位抓住机会，本文整理了12篇Mamba+YOLO前沿论文，基本都有代码，建议各位先研读Mamba-YOLO的原始论文，然后尝试复现一下，有利于找准思路。
全部论文+开源代码需要的同学看文末
Mamba yolo: A simple baseline for object detection with state space model
方法：论文提出 Mamba YOLO 方法，将状态空间模型（SSM）衍生的 Mamba 与 YOLO 架构结合，通过 ODSSBlock（融合 SS2D 全局建模与 RG Block 局部特征捕捉）构建骨干网络，搭配优化的骨干结构与 PAFPN 颈部，实现无需大规模预训练、兼具线性复杂度与实时性的目标检测。
创新点：
提出ODMamba骨干网络，引入线性复杂度的SSM（Mamba），无需大规模预训练即可高效训练。
设计ODSSBlock核心模块，融合SS2D全局建模与RG Block局部特征捕捉，弥补SSM的定位短板。
构建多尺度Mamba YOLO模型（Tiny/Base/Large），优化骨干结构与PAFPN颈部，平衡检测精度与实时性。
MambaRefine-YOLO: A Dual-Modality Small Object Detector for UAV Imagery
方法：论文提出 MambaRefine-YOLO 方法，将 Mamba 模型与 YOLO 架构相结合，通过双门互补 Mamba 融合模块（DGC-MFM）实现 RGB 和红外模态的自适应融合，搭配 “先细化后融合” 的分层特征聚合颈部（HFAN）增强多尺度特征，高效解决无人机影像中小目标检测难题。
创新点：
设计双门互补Mamba融合模块，通过光照感知和差异感知门控机制，自适应融合RGB与红外特征，保持线性计算复杂度。
提出分层特征聚合颈部，采用“先细化后融合”策略，通过内容重建上采样、几何对齐下采样等模块增强多尺度特征表达。
将Mamba模型与YOLO架构结合，构建双流骨干网络捕捉全局依赖，同时HFAN可作为即插即用模块适配单模态场景。
MM-Tracker: Motion Mamba with Margin Loss for UAV-platform Multiple Object Tracking
方法；论文提出 MM-Tracker 方法，将 Mamba 模型与 YOLOX 架构相结合，通过运动 Mamba 模块（融合检测特征的局部相关性与双向 Mamba 的全局扫描实现高效运动建模）和运动边缘损失（针对运动模糊目标优化检测精度），解决无人机平台多目标跟踪中的全局 / 局部运动建模及运动模糊检测难题。
创新点：
提出运动Mamba模块，结合局部相关性与双向Mamba，高效捕捉局部和全局运动特征。
设计运动边缘损失，按目标运动幅度调整决策边界，提升运动模糊目标检测效果。
基于YOLOX构建MM-Tracker，融合上述模块，优化无人机多目标跟踪的精度与速度。
Mamba-YOLO-World: Marrying YOLO-World with Mamba for Open-Vocabulary Detection
方法：论文提出 Mamba-YOLO-World 方法，将 Mamba 与 YOLO-World 架构结合，以 MambaFusion-PAN 为颈部，通过并行引导和串行引导的选择性扫描算法构建线性复杂度的跨模态特征融合机制，实现高效且具备全局引导感受野的开放词汇目标检测。
创新点：
设计MambaFusion-PAN颈部结构，替代YOLO-World的VL-PAN，优化跨模态特征融合效率。
提出并行引导和串行引导的选择性扫描算法，构建O(N+1)复杂度的SSM-based融合机制。
构建Mamba-YOLO-World开放词汇检测模型，在保持参数量和计算量相当的情况下，提升零样本和微调场景的检测性能。
关注下方《学姐带你玩AI》🚀🚀🚀
回复“222”获取全部方案+开源代码
码字不易，欢迎大家点赞评论收藏
