在 GitHub 上编辑页面 (EN)

YOLOv10 与 RTDETRv2：实时端到端目标检测器评估

计算机视觉领域发展极其迅速，新架构不断重新定义实时目标检测的行业基准。YOLOv10 和 RTDETRv2 是这一演进过程中的两个重要里程碑。这两款模型都旨在通过消除非极大值抑制 (NMS) 后处理的需求，来解决传统检测流程中的核心瓶颈，但它们从完全不同的架构范式来应对这一挑战。

这份技术对比深入分析了它们的架构、训练方法和理想部署场景，旨在帮助开发者和研究人员为他们的下一个 视觉 AI 项目选择合适的工具。

YOLOv10：无 NMS 的先驱

YOLOv10 由清华大学的研究人员开发，高度专注于架构效率和消除后处理瓶颈。通过引入用于无 NMS 训练的连续双重分配机制，它在显著降低推理延迟的同时实现了极具竞争力的性能。

技术规格

架构与方法论

YOLOv10 的主要突破在于其整体化的效率与精度驱动型模型设计。它从两个维度优化了各个组件，极大地减少了计算开销。连续双重分配策略使模型无需依赖 NMS 即可完成训练，从而实现了精简的端到端部署流程。当将模型导出为 ONNX 或 TensorRT 等边缘格式时，这种优势尤为明显，因为在这些格式中，后处理操作可能会引入意想不到的延迟。

优势与劣势

该模型在速度与精度的权衡方面表现卓越，特别是在较小的变体（N 和 S）中。其极低的延迟使其成为高速边缘环境的理想选择。然而，尽管 YOLOv10 在原始检测速度方面表现出色，但它仍然是一个专门的检测模型。需要 实例分割 或 姿态估计 的团队将需要寻求更通用的框架。

了解关于 YOLOv10 的更多信息

RTDETRv2：改进型检测 Transformer

在原版实时检测 Transformer 的基础上，RTDETRv2 加入了一系列“锦囊妙计 (bag of freebies)”以优化其基线性能，展示了 Transformer 在实时场景中完全可以与 CNN 竞争。

技术规格

架构与方法论

RTDETRv2 采用混合架构，结合了用于视觉特征提取的卷积神经网络 (CNN) 主干和用于全面场景理解的 Transformer 编码器-解码器。Transformer 的自注意力机制允许模型从全局视角查看图像，从而在处理复杂场景、重叠物体和密集人群时表现出极高的效率。

优势与劣势

Transformer 架构提供了出色的精度，特别是在较大参数规模下，并且能够直接输出最终检测结果，无需 NMS。然而，这也是有代价的。Transformer 模型在训练过程中通常需要显著更多的 CUDA 显存，并且与纯 CNN 架构相比，收敛速度可能较慢。虽然 RTDETRv2 提高了推理速度，但它通常比轻量级的 YOLO 变体消耗更多的内存。

了解关于 RTDETRv2 的更多信息

性能对比

评估性能指标可以更清晰地看出每个模型的优势所在。下表重点展示了它们在 COCO 数据集 上的表现：

模型尺寸
(像素)		mAPval
50-95		速度
CPU ONNX
(ms)		速度
T4 TensorRT10
(ms)		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
RTDETRv2-s64048.1-5.032060
RTDETRv2-m64051.9-7.5136100
RTDETRv2-l64053.4-9.7642136
RTDETRv2-x64054.3-15.0376259

分析数据可知，YOLOv10 在参数效率和相同尺寸下的 TensorRT 推理速度方面保持着明显优势。RTDETRv2-x 虽然在精度上与大规模的 YOLOv10x 相当，但需要多出近 2000 万个参数，且 FLOPs 显著更高。

用例与建议

在 YOLOv10 和 RT-DETR 之间进行选择，取决于你的特定项目需求、部署限制和生态系统偏好。

何时选择 YOLOv10

YOLOv10 是以下情况的理想选择：

  • 无需 NMS 的实时检测： 得益于端到端检测且无需非极大值抑制，从而降低了部署复杂性的应用。
  • 平衡的速度-精度权衡： 需要在不同模型规模下实现推理速度与检测精度之间良好平衡的项目。
  • Consistent-Latency Applications: Deployment scenarios where predictable inference times are critical, such as robotics or autonomous systems.

何时选择 RT-DETR

建议在以下情况下选择 RT-DETR：

  • 基于 Transformer 的检测研究： 探索用于无需 NMS 的端到端目标检测的注意力机制和 transformer 架构的项目。
  • 延迟灵活的高精度场景： 检测精度是首要任务且可以接受略高推理延迟的应用。
  • 大物体检测： 以中大型物体为主的场景，其中 transformer 的全局注意力机制提供了天然优势。

何时选择 Ultralytics (YOLO26)

对于大多数新项目，Ultralytics YOLO26 提供了性能与开发者体验的最佳结合：

  • 无需 NMS 的边缘部署： 需要持续、低延迟推理且无需复杂非极大值抑制后处理的应用。
  • 仅 CPU 环境： 在没有专用 GPU 加速的设备上，YOLO26 的 CPU 推理速度提升高达 43%，这提供了决定性优势。
  • 小目标检测： 具有挑战性的场景，如 航拍无人机图像 或 IoT 传感器分析，ProgLoss 和 STAL 在小目标上显著提升了准确性。

Ultralytics 的优势：生态系统与创新

虽然 YOLOv10 和 RTDETRv2 提供了强大的检测能力，但选择模型往往还取决于周边的软件生态系统。Ultralytics 平台 提供了一个无缝、统一的接口，屏蔽了深度学习的复杂性。

新标准：Ultralytics YOLO26

对于追求极致性能的开发者而言，Ultralytics YOLO26 代表了近期架构创新的结晶。YOLO26 发布于 2026 年初，继承了由 YOLOv10 开创的 端到端无 NMS 设计，彻底消除了 NMS 后处理，从而实现更快速、更简洁的部署。

为什么选择 YOLO26？

YOLO26 通过 MuSGD 优化器（SGD 与 Muon 的混合体）将大语言模型的训练创新引入到计算机视觉中，从而实现更稳定的训练和更快的收敛。此外，它的 CPU 推理速度提升高达 43%，使其成为边缘计算的首选。

此外，YOLO26 引入了 ProgLoss + STAL，在小目标识别方面有显著改进；与专门化的 YOLOv10 不同，它提供了极致的通用性。它原生支持 目标检测、分割、姿态估计和 旋转框 (OBB)，并针对特定任务进行了优化，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)。同时，移除分布焦点损失 (DFL) 确保了导出的简化，并增强了对低功耗设备的兼容性。

了解关于 YOLO26 的更多信息

易用性与训练效率

无论你是在尝试 Ultralytics YOLO11 等旧一代模型，还是最前沿的 YOLO26，简化的 Python API 都能确保训练期间的更低内存占用和极其高效的工作流。

from ultralytics import RTDETR, YOLO

# Train the end-to-end YOLOv10 model
model_yolo = YOLO("yolov10n.pt")
model_yolo.train(data="coco8.yaml", epochs=100, imgsz=640)

# Alternatively, evaluate RTDETR within the same API
model_rtdetr = RTDETR("rtdetr-l.pt")
results = model_rtdetr.predict("https://ultralytics.com/images/bus.jpg")

完善的生态系统提供了易于使用的 超参数调整 工具，并能与广泛的追踪解决方案及 模型部署选项 无缝集成。

总结

YOLOv10 和 RTDETRv2 都是在实现无 NMS 目标检测探索过程中的重大里程碑。RTDETRv2 证明了 Transformer 可以在保持卓越全局背景理解的同时实现实时延迟，尽管其对内存的要求较高。YOLOv10 则提供了一种针对资源受限的检测任务而定制的高效、快速的 CNN 替代方案。

然而，为了获得平衡的性能、多任务通用性以及最成熟的生态系统，我们强烈建议开发者使用 Ultralytics YOLO26。它完美地将前代产品的架构创新与强大的用户友好型工具结合在一起，使视觉 AI 的部署变得轻而易举。

Contributors
在 GitHub 上编辑页面 (EN)
GLglenn-jocher12PDpderrenger1

评论