跳转至内容

YOLOv10 YOLOYOLOv10 ：实时目标检测架构的演进

在计算机视觉快速发展的领域中，对延迟与准确性之间最佳平衡的追求推动着持续创新。这一进程中的两个重要里程碑是 YOLOv10，以其突破性的NMS而闻名；YOLO该模型通过神经架构搜索(NAS)技术突破了效率极限。本文将比较这两种模型的架构差异、性能指标及其在现代人工智能应用中的适用性。

性能指标分析

下表详细比较了关键性能指标。 YOLOv10 在现代GPU上展现出卓越的参数利用率和推理速度，尤其体现在大型模型变体中。

模型尺寸
(像素)		mAPval
50-95		速度
CPU ONNX
(毫秒)		速度
T4 TensorRT10
(毫秒)		参数
(M)		FLOPs
(B)
YOLOv10n64039.5-1.562.36.7
YOLOv10s64046.7-2.667.221.6
YOLOv10m64051.3-5.4815.459.1
YOLOv10b64052.7-6.5424.492.0
YOLOv10l64053.3-8.3329.5120.3
YOLOv10x64054.4-12.256.9160.4
DAMO-YOLOt64042.0-2.328.518.1
DAMO-YOLOs64046.0-3.4516.337.8
DAMO-YOLOm64049.2-5.0928.261.8
DAMO-YOLOl64050.8-7.1842.197.3

YOLOv10：端到端先驱

由清华大学研究人员于2024年5月发布的 YOLOv10 通过消除非最大抑制（NMS）需求实现了范式转变。该架构解决了传统检测器中后期处理步骤常导致的延迟波动问题。

主要架构特性

  • NMS：采用一致的双任务NMS方案，使模型能够直接为每个目标预测单个边界框。这对需要可预测延迟的应用至关重要，例如自动驾驶汽车或工业机器人。
  • 整体效率-精度设计：作者王傲等人通过优化包括主干网络和头部在内的多个组件，有效减少了计算冗余。
  • 轻量级分类头：降低分类分支的开销，该分支常是无锚检测器的瓶颈。

您可YOLOv10 Ultralytics Python 运行YOLOv10 ，从而受益于标准化接口。

from ultralytics import YOLO

# Load a pre-trained YOLOv10n model
model = YOLO("yolov10n.pt")

# Train the model on a custom dataset
model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Run inference on an image
results = model("path/to/image.jpg")
results[0].show()

了解更多关于 YOLOv10

YOLO：大规模神经网络架构搜索

由阿里巴巴集团研发并于2022年11月发布的YOLO专注于高效架构的自动化发现。通过采用神经网络架构搜索（NAS）技术，该团队致力于在严格的计算预算下，为检测骨干网络寻找最优深度与宽度。

主要架构特性

  • MAE-NAS 骨干网络：采用多目标进化搜索算法，寻找兼顾检测精度与推理速度的骨干网络结构。
  • 高效RepGFPN：一种重颈设计，可提升特征融合能力，这对检测不同尺度的目标至关重要，例如在航空影像分析中。
  • ZeroHead: 一种简化的 detect 头部，可降低最终预测层的复杂性。

YOLO 强劲YOLO 其依赖复杂的NAS流程，使得普通开发者难以针对定制数据集重新训练或修改架构，相比之下，Ultralytics 的用户友好配置则YOLO 。

Ultralytics 优势：YOLO26 登场

YOLOv10 YOLO 重大进步，该领域仍在持续发展。Ultralytics 在继承YOLOv10 NMS基础上YOLOv10 将其整合到更强大、更适合生产环境的生态系统中YOLOv10

为什么选择Ultralytics？

Ultralytics 维护完善的生态系统，确保您的模型不仅能满足当前需求，还能随着硬件和软件库的演进持续运行。与许多学术存储库Ultralytics 持续更新、详尽文档，并能与部署工具（如 TensorRT 和OpenVINO 等部署工具实现无缝集成。

YOLO26 创新

对于追求极致速度与精度的开发者而言，YOLO26相较于其前代产品实现了多项关键性改进：

  1. NMS： YOLOv10类似，YOLO26天生具备端到端特性。但它通过移除分布式焦点损失（DFL）进一步优化了这一特性，从而简化模型图结构，以实现与边缘设备和低功耗芯片的更佳兼容性。
  2. MuSGD优化器：受大型语言模型训练领域的创新启发（特别是Moonshot AI的Kimi K2算法），YOLO26采用了MuSGD优化器。这种融合了SGD 混合优化方案为训练过程带来前所未有的稳定性，实现更快的收敛速度并GPU 。
  3. CPU ：YOLO26专为边缘计算进行优化，在CPU上实现最高达43%的推理速度提升。这使其成为无法使用GPU的物联网应用的理想选择。
  4. 增强型损失函数：引入ProgLoss 和STAL（自教锚点学习）后，在小目标和复杂背景下的性能显著提升。

了解更多关于 YOLO26 的信息

对比用例

选择合适的模型很大程度上取决于您的具体部署限制和工作流要求。

何时使用 DAMO-YOLO

YOLO 神经架构搜索（NAS）研究场景中的有力候选模型。若您的项目需要探究自动化搜索策略对特征提取的影响，或您深度融入阿里巴巴生态系统，该模型将提供宝贵洞见。其RepGFPN模块亦是特征融合研究的绝佳参考范例。

何时使用YOLOv10

YOLOv10在低延迟方差至关重要的应用场景中YOLOv10 卓越。其NMS确保无论检测到多少目标，推理时间都能保持稳定，这对实时安全系统至关重要。

  • 实时监控：在拥挤场景中保持稳定帧率。
  • 机器人技术：控制回路的可预测时序。

为何YOLO26是更优选择

对于大多数开发者和商业应用而言Ultralytics 提供了最具吸引力的解决方案。它兼具YOLOv10 NMS的优势YOLOv10 卓越的训练效率和广泛的硬件支持。

  • 易用性：通过单一Python 即可实现训练、验证和部署。
  • 多功能性：与YOLO不同，YOLO26支持完整任务集，包括实例分割、姿势估计 、分类以及定向边界框旋转框检测。
  • 内存效率：与transformer模型相比，YOLO26在训练过程中CUDA 显著减少，从而能够在消费级GPU上进行训练。
  • 平台集成：无缝导出至 ONNX、CoreML TFLite 简化从原型到生产的流程Ultralytics

代码示例：YOLO26 工作流

Ultralytics向最新技术过渡变得轻而易举。以下代码片段演示了如何加载先进的YOLO26模型、运行推理并导出模型以供部署。

from ultralytics import YOLO

# Load the YOLO26s model (Small version)
model = YOLO("yolo26s.pt")

# Train on COCO8 dataset
model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")

# Export to ONNX for simplified deployment
model.export(format="onnx", opset=13)

结论

YOLOv10 计算机视觉领域YOLO 宝贵的创新贡献。 YOLOv10 证明了NMS的可行性，YOLO展现了NAS的强大能力。然而Ultralytics 这些技术突破融合为一款全面、易用且高性能的工具。凭借卓越的速度、任务通用性及强大的生态系统支持，YOLO26已成为开发者构建新一代AI应用的首选解决方案。

若需进一步探索，建议查阅YOLO11 transformerRT-DETR 模型，了解其他架构方案。


评论