Ultralytics YOLO27：
Get Started

YOLOv10 与 RTDETRv2#

计算机视觉领域发展迅猛，新架构不断重新定义实时目标检测的技术水平。YOLOv10 和 RTDETRv2 是这一发展过程中的两个重要里程碑。两种模型都旨在通过消除非极大值抑制 (NMS) 后处理，解决传统检测流水线中的一个根本瓶颈；但它们采用了截然不同的架构范式。

这份技术对比深入分析了两种模型的架构、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项目选择合适的工具。

YOLOv10：无 NMS 技术的先行者#

YOLOv10 由清华大学的研究人员开发，重点关注架构效率和消除后处理瓶颈。通过引入一致的双重分配进行无 NMS 训练，它在显著降低推理延迟的同时，实现了有竞争力的性能。

技术规格#

架构与方法#

YOLOv10 的主要突破在于其兼顾效率与精度的整体模型设计。它从这两个方面优化各种组件，大幅降低计算开销。一致的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，这一特点尤其有用，因为后处理操作可能会引入意料之外的延迟。

优势与劣势#

该模型在速度与精度之间实现了出色的权衡，尤其是在较小的版本（N 和 S）中。其极低的延迟使其非常适合高速边缘环境。不过，YOLOv10 虽然在原始检测速度方面表现出色，但仍是专用的纯检测模型。需要实例分割或姿态估计的团队则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) 主干网络与用于全面场景理解的 Transformer 编码器-解码器结合起来。Transformer 的自注意力机制使模型能够从全局视角观察图像，因此非常擅长处理复杂场景、重叠目标和密集人群。

优势与劣势#

Transformer 架构具有出色的准确率，尤其是在参数规模较大时，并且原生输出最终检测结果，无需 NMS。不过，这也有代价。传统上，Transformer 模型在训练期间需要消耗更多 CUDA 内存，与纯 CNN 架构相比，收敛速度也可能更慢。尽管 RTDETRv2 提升了推理速度，但其内存消耗通常高于轻量级 YOLO 变体。

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)		mAP验证集
50-95		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

分析数据可以发现，在尺寸相近的模型中，YOLOv10 在参数效率和 TensorRT 推理速度方面持续保持明显优势。RTDETRv2-x 的准确率与 YOLOv10x 相当，但参数量超过其 2.5 倍（76M 对 29.5M），FLOPs 也显著更高。

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：适用于没有专用 GPU 加速的设备，此时 YOLO26 的 CPU 推理速度最高提升 43%，可带来显著优势。
  • 小目标检测：适用于无人机航拍影像等具有挑战性的场景，或 IoT 传感器分析等需要 ProgLoss 和 STAL 大幅提升微小目标准确率的场景。

Ultralytics 的优势：生态系统与创新#

YOLOv10 和 RTDETRv2 都具备强大的检测能力，但选择模型往往还要考虑周边的软件生态系统。Ultralytics Platform 提供流畅统一的界面，帮你屏蔽深度学习的复杂性。

新标准：Ultralytics YOLO26#

对于追求极致性能的开发者，Ultralytics YOLO26 汇集了近期架构创新的成果。YOLO26 于 2026 年初发布，继承了 YOLOv10 首创的 端到端无 NMS 设计，并将其作为可选检测头（nms=False），无需 NMS 后处理即可实现更快、更简单的部署。

为什么选择 YOLO26？

YOLO26 通过 MuSGD 优化器（SGD 与 Muon 的混合优化器）将 LLM 训练创新引入计算机视觉，从而实现更稳定的训练和更快的收敛。它还实现了最高 快 43% 的 CPU 推理速度，是边缘计算的首选。

此外，YOLO26 引入了 ProgLoss + STAL，显著提升小目标识别能力；与专用型 YOLOv10 不同，它还具有极强的通用性。它原生支持目标检测、分割、姿态估计和有向边界框（OBB），并针对具体任务进行了改进，例如采用语义分割损失和用于姿态估计的残差对数似然估计（RLE）。此外，移除分布焦点损失（DFL）简化了导出流程，并提升了对低功耗设备的兼容性。

易用性与训练效率#

无论你是在试用较早一代的模型（例如 Ultralytics YOLO11），还是最新的 YOLO26，精简的 Python API 都能确保训练时占用更少内存，并带来极快的工作流。

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")

维护良好的生态系统提供了便捷的超参数调优工具，并能与丰富的跟踪解决方案和模型部署选项无缝集成。

结论#

YOLOv10 和 RTDETRv2 都是迈向无 NMS 目标检测的重要里程碑。RTDETRv2 证明了 Transformer 能够实现实时延迟，并出色地理解全局上下文，但内存需求更高。YOLOv10 则提供了一种高效、快速的 CNN 替代方案，专为资源受限的检测任务打造。

不过，对于追求均衡性能、多任务通用性和成熟生态系统的开发者，我们强烈建议使用 Ultralytics YOLO26。它巧妙融合了前代模型的架构创新与强大、易用的工具，让视觉 AI 部署真正变得轻松顺畅。

贡献者
GLglenn-jocher18PDpderrenger1

评论