Ultralytics YOLO27： 加入候补名单。
Get Started

YOLOv10 与 RTDETRv2#

计算机视觉发展迅速，新架构不断刷新实时目标检测的技术水平。YOLOv10 和 RTDETRv2 是其中两个重要里程碑。这两种模型都通过消除非极大值抑制 (NMS)后处理，移除了传统检测流水线中的瓶颈，但它们采用了截然不同的架构来应对这一挑战。

这篇技术比较文章分析了两者的架构、训练方法和理想部署场景，帮助开发者和研究人员为下一个视觉 AI 项目选择合适工具。

YOLOv10：无需 NMS 的实时检测#

YOLOv10 由清华大学研究人员开发，专注于架构效率和消除后处理瓶颈。通过引入用于无 NMS 训练的一致双重分配，它以更低的推理延迟实现了有竞争力的精度。

技术规格#

架构与方法#

YOLOv10 的主要贡献是以效率和精度为核心的整体模型设计。它从这两个方面优化多个组件，降低计算开销。一致双重分配策略让模型无需依赖 NMS 即可训练，从而实现精简的端到端部署流水线。将模型导出为 ONNX 或 TensorRT 等边缘格式时，这一点尤其有利，因为后处理操作可能会带来意外延迟。

优势与劣势#

该模型具有出色的速度与精度权衡，尤其是在较小的 N 和 S 变体上。其低延迟特性使其非常适合高速边缘环境。不过，尽管 YOLOv10 在原始检测速度方面表现出色，它仍是一个专用于检测的模型。需要实例分割或姿态估计的团队需要考虑功能更全面的框架。

进一步了解 YOLOv10

RTDETRv2：改进 Detection Transformer#

RTDETRv2 基于原始实时检测 Transformer 构建，通过加入一系列免费优化措施改进基线性能，展现了 Transformer 在实时场景中与 CNN 竞争的能力。

技术规格#

架构与方法#

RTDETRv2 采用混合架构，将用于视觉特征提取的卷积神经网络 (CNN) 主干网络与用于场景级理解的 Transformer 编码器-解码器结合起来。Transformer 的自注意力机制让模型能够从全局角度观察图像，因此擅长处理复杂场景、重叠物体和密集人群。

优势与劣势#

Transformer 架构具有出色的精度，尤其是在参数规模较大时，并且可以原生输出最终检测结果，无需 NMS。但这也有代价。与纯 CNN 架构相比，Transformer 模型传统上在训练期间需要更多 CUDA 内存，收敛速度也可能较慢。RTDETRv2 虽然提升了推理速度，但通常仍比轻量级 YOLO 变体占用更多内存。

进一步了解 RTDETRv2

性能对比#

评估性能指标可以更清楚地了解各个模型的优势所在。下表展示了它们在 COCO 数据集上的能力：

模型尺寸
(像素)		mAPval50-95速度
CPU ONNX
(毫秒)		速度
T4 TensorRT10
（ms）		参数
(M)		FLOPs
(B)
YOLOv10n64038.5-1.842.36.7
YOLOv10s64046.3-2.497.221.6
YOLOv10m64051.1-4.7415.459.1
YOLOv10b64052.5-5.7419.192.0
YOLOv10l64053.2-7.2824.4120.3
YOLOv10x64054.4-10.7029.5160.4
RTDETRv2-s64048.1-5.032060
RTDETRv2-m64051.9-7.5136100
RTDETRv2-l64053.4-9.7642136
RTDETRv2-x64054.3-15.0376259

在相近尺寸下，YOLOv10 在参数效率和 TensorRT 推理速度方面明显占优，而 RTDETRv2 在 s、m 和 l 尺寸上精度略高（例如，s 模型的 mAP 为 48.1 对 46.3，速度为 5.03 ms 对 2.49 ms）。RTDETRv2-x 的精度与 YOLOv10x 相当（mAP 为 54.3 对 54.4），但参数量是后者的 2.5 倍以上（76M 对 29.5M），FLOPs 也更高（259B 对 160.4B）。

用例与建议#

选择 YOLOv10 还是 RT-DETR，取决于你的具体项目需求、部署限制和生态系统偏好。

何时选择 YOLOv10#

以下场景适合使用 YOLOv10：

  • 无 NMS 的实时检测：适用于需要从端到端检测中获益、无需使用非极大值抑制并能降低部署复杂度的应用。
  • 均衡权衡速度与准确率：适用于需要在不同模型规模下兼顾推理速度和检测准确率的项目。
  • 延迟稳定的应用：适用于推理时间可预测性至关重要的部署场景，例如机器人或自主系统。

何时选择 RT-DETR#

以下情况推荐使用 RT-DETR：

  • 基于 Transformer 的检测研究：探索注意力机制和 Transformer 架构，以实现无需 NMS 的端到端目标检测。
  • 对延迟要求灵活的高精度场景：检测准确率至关重要，且可以接受略高推理延迟的应用。
  • 大型目标检测：场景中的目标以中大型为主，此时 Transformer 的全局注意力机制能够发挥天然优势。

何时选择 Ultralytics (YOLO26)#

对于大多数新项目，Ultralytics YOLO26在性能与开发体验之间实现了最佳平衡：

  • 无 NMS 的边缘部署：适用于要求推理延迟稳定且较低，同时不希望增加非极大值抑制后处理复杂度的应用。
  • 仅使用 CPU 的环境： 没有专用 GPU 加速的设备中，YOLO26n 的 CPU 推理速度最高比 YOLO11n 快 43%，优势显著。
  • 小目标检测： 在无人机航拍影像等具有挑战性的场景或物联网传感器分析中，ProgLoss 和 STAL 能提升小目标检测准确率。

Ultralytics 的优势：生态系统与创新#

YOLOv10 和 RTDETRv2 都是功能强大的检测器，但模型选择往往还取决于周边的软件生态系统。Ultralytics Platform提供统一接口，隐藏了深度学习工作流中的许多复杂性。

新标准：Ultralytics YOLO26#

对于追求最佳性能的开发者，Ultralytics YOLO26 汇集了近期的架构进展。YOLO26 于 2026 年 1 月发布，继承了 YOLOv10 的端到端、无需 NMS 的设计，并将其作为可选检测头（nms=False），无需进行 NMS 后处理，带来更快、更简单的部署体验。

为什么选择 YOLO26？

YOLO26 通过 MuSGD 优化器（SGD 和 Muon 的混合方案）将大语言模型 (LLM) 训练方法引入计算机视觉，从而实现更稳定的训练和更快的收敛。YOLO26n 的 CPU 运行速度也比 YOLO11n 最多快 43%，使 YOLO26 成为边缘计算的理想选择。

此外，YOLO26 引入了 ProgLoss + STAL，显著提升小目标识别能力；与仅用于检测的 YOLOv10 不同，YOLO26 还支持目标检测、实例分割、语义分割、深度估计、图像分类、姿态估计和旋转边界框 (OBB)，并提供针对任务的改进，例如语义分割损失和用于姿态估计的残差对数似然估计 (RLE)。移除分布焦点损失 (DFL) 也简化了导出，并提升了低功耗设备的兼容性。

易用性与训练效率#

无论你使用Ultralytics YOLO11 等早期模型还是较新的 YOLO26，Python API 都能降低训练内存占用并简化工作流。同一 API 也支持运行 YOLOv10 和 RT-DETR：

from ultralytics import RTDETR, YOLO

# 训练端到端 YOLOv10 模型
model_yolo = YOLO("yolov10n.pt")
model_yolo.train(data="coco8.yaml", epochs=100, imgsz=640)

# 或者，也可以在同一 API 中评估 RTDETR
model_rtdetr = RTDETR("rtdetr-l.pt")
results = model_rtdetr.predict("https://ultralytics.com/images/bus.jpg")

维护完善的生态系统提供了便捷的超参数调优工具，并可与实验跟踪工具和模型部署选项集成。

结论#

YOLOv10 和 RTDETRv2 都是无 NMS 目标检测领域的重要里程碑。RTDETRv2 证明了 Transformer 能够在实现实时延迟的同时出色地理解全局上下文，但内存需求较高。YOLOv10 则提供了高效、快速的 CNN 替代方案，适用于资源受限的检测任务。

如果你希望兼顾性能、多任务能力和成熟的生态系统，我们推荐 Ultralytics YOLO26。它融合了前代模型的架构理念，并提供易用工具，简化视觉 AI 的部署。

贡献者
GLglenn-jocher21PDpderrenger1

评论