YOLO系列国内外研究现状

YOLO（You Only Look Once）系列是目标检测领域的一项重要实时检测算法，由 Joseph Redmon 和他的团队在2015年首次提出，后续发展出了多个版本，如YOLOv2、YOLOv3、YOLOv4、YOLOv5等，每一代都在性能和速度上有所提升。

在国内，YOLO系列的研究现状非常活跃。国内的研究者们在深度学习和计算机视觉领域有着深厚的技术积累，他们对YOLO进行了大量的优化和定制，以适应中国特定场景的需求，例如复杂背景下的行人、车辆检测，以及针对小目标的识别。许多研究机构和高校的团队在改进YOLO的精度、速度、内存效率等方面都有深入探索，同时也推动了相关技术在智慧城市、自动驾驶、安防等领域中的应用。

在国外，YOLO同样受到广泛关注。研究人员不断对其进行改进，例如加入了更先进的特征提取网络，如基于Transformer的结构，以提高模型的表达能力。此外，还有人专注于模型的轻量化，以适应移动设备等资源有限的环境。同时，YOLO的开源社区非常活跃，不断有新的优化模型和改进方法被贡献出来。

相关问题：
1. YOLOv5相比于之前的版本有哪些主要改进？
2. 国内有哪些团队在YOLO系列上有特别显著的贡献？
3. YOLO在实际应用中遇到的主要挑战是什么？