YOLOv10 与 YOLOv7#

过去几年，计算机视觉快速发展，催生了越来越高效的实时应用架构。比较 YOLOv10 和 YOLOv7，可以看到这一发展过程中的关键转变。YOLOv7 引入了高效的训练策略和架构扩展，而 YOLOv10 则通过移除长期依赖的非极大值抑制（NMS）简化了部署。

这两种模型在各自发布时都推动了目标检测的发展，而如今 Ultralytics 生态系统和 YOLO26 等更新的模型提供了更简单的训练与部署工作流。

模型概况与起源#

了解这些模型的起源，有助于深入理解其架构设计选择以及驱动这些设计的学术研究。

YOLOv10 详情#

• 作者： Ao Wang、Hui Chen、Lihao Liu 等
• 组织： 清华大学
• 日期： 2024-05-23
• arXiv：YOLOv10：实时端到端目标检测
• GitHub： THU-MIG/yolov10
• 文档： Ultralytics YOLOv10 文档

进一步了解 YOLOv10

YOLOv7 详情#

• 作者： Chien-Yao Wang、Alexey Bochkovskiy 和 Hong-Yuan Mark Liao
• 机构： 台湾中央研究院资讯科学研究所
• 日期： 2022-07-06
• arXiv：YOLOv7：可训练的免费增益组件包，树立新的最先进水平
• GitHub： WongKinYiu/yolov7
• 文档： Ultralytics YOLOv7 文档

详细了解 YOLOv7

架构创新#

YOLOv7 方法#

YOLOv7 于 2022 年发布，重点优化梯度路径。它引入了扩展高效层聚合网络（E-ELAN），使模型能够学习更多样的特征，同时不破坏原有梯度路径。此外，作者还采用了“可训练的免费组合”方法，在训练期间使用可在推理时融合移除的重参数化技术，以保持快速执行速度。尽管经过这些优化，YOLOv7 仍依赖 NMS 进行后处理，因此在密集场景分析中会产生不稳定的延迟。

YOLOv10 方案#

YOLOv10 直接解决了 NMS 瓶颈。清华大学团队通过在训练期间引入一致的双重分配，实现了无 NMS 端到端检测。这种双检测头方法使用一个分支在训练期间进行一对多分配，以提供丰富的监督信号；另一个分支则进行一对一分配，以实现无 NMS 推理。这一架构转变带来了稳定、低延迟的推理，适用于高速视频分析。此外，YOLOv10 采用整体性的效率与精度驱动型模型设计，去除了早期版本中的计算冗余。

性能对比#

比较 MS COCO 数据集上的原始指标，可以明显看出代际差距。YOLOv10 在参数量、计算需求和准确率之间实现了更理想的权衡。

如上所示，YOLOv10x 的 mAP 高于 YOLOv7x（54.4% 对 53.1%），而参数量不到后者的一半（29.5M 对 71.3M）。轻量级 YOLOv10 Nano 和 Small 模型也能实现快速的 TensorRT 部署速度（在 T4 上分别为 1.84 毫秒和 2.49 毫秒），因此很适合边缘部署。

Ultralytics 生态系统的优势#

研究架构论文很有启发性，但现代计算机视觉开发依赖维护完善的框架。对于希望快速从原型迈向生产的开发者，选择获得 Ultralytics 支持的模型是一项重要优势。

简化开发#

YOLOv10 原生支持标准 Ultralytics Python 软件包，而在上游训练的 YOLOv7 检查点只有经过导出为 ONNX 或 TensorRT后才能在 Ultralytics 中运行。原生支持带来了易用性，开发者可以用简单直观的 API 替代样板代码。与大型 Transformer 架构相比，Ultralytics YOLO 模型训练时也需要更少的 CUDA 显存，因此能在消费级硬件上使用更大的批次。

灵活性#

较旧的代码库通常只专注于边界框检测，而 Ultralytics 框架通过 YOLO26 和 YOLO11 等模型支持多种任务。无论你进行实例分割、姿态估计还是定向边界框（OBB）检测，工作流都保持不变。

代码示例：一致的训练工作流程#

以下代码片段展示了训练流程，该流程会自动处理数据增强和学习率调度：

from ultralytics import YOLO

# 加载所需模型（例如 YOLOv10 或推荐使用的 YOLO26）
model = YOLO("yolo26n.pt")

# 使用你的数据集训练模型
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, batch=16, device=0)

# 导出为 ONNX 格式，以便快速部署
model.export(format="onnx")

用例与建议#

在 YOLOv10 和 YOLOv7 之间做选择，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 YOLOv7#

以下情况建议使用 YOLOv7：

• 学术基准测试：复现 2022 年的最先进成果，或研究 E-ELAN 和可训练的免费优势集合技术所带来的影响。
• 重参数化研究：研究计划中的重参数化卷积和复合模型缩放策略。
• 现有自定义流水线：项目已围绕 YOLOv7 特定架构构建了高度定制的流水线，且难以重构。

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。在这类设备上，YOLO26n 的 CPU 运行速度最高可比 YOLO11n 快 43%。
• 小目标检测：具有挑战性的场景，例如无人机航拍图像或 IoT 传感器分析。在这些场景中，ProgLoss 和 STAL 可以提升微小目标的检测精度。

新标准：推出 YOLO26#

YOLOv10 在 2024 年实现了重大进步，但该领域发展迅速。对于新项目，Ultralytics 推荐使用最新一代模型 Ultralytics YOLO26。该模型于 2026 年 1 月发布，在实时视觉 AI 领域取代了 YOLOv7 和 YOLOv10。

YOLO26 提供了多项改进，适用于现代部署环境：

• 端到端无 NMS 设计：在 YOLOv10 奠定的基础上，YOLO26 可选的一对一检测头（nms=False）会跳过 NMS 后处理，从而简化部署流程并保持推理速度稳定。
• CPU 推理速度最高提升 43%：YOLO26n 的 CPU 速度最高可比 YOLO11n 快 43%，适合边缘计算和没有专用 GPU 的设备，还能降低硬件成本。
• 移除 DFL：移除分布焦点损失（DFL）简化了导出逻辑，并提升了与低功耗边缘设备的兼容性。
• MuSGD 优化器：这种结合 SGD 和 Muon 的混合优化器受 Moonshot AI 的 Kimi K2 启发，将大语言模型（LLM）训练技术引入计算机视觉，实现更稳定的训练和更快的收敛。
• ProgLoss + STAL：渐进式损失和小目标感知标签分配策略可提升小目标识别能力。小目标识别一直颇具挑战，对无人机、机器人和智能城市监控至关重要。
• 针对特定任务的改进：YOLO26 不仅仅是一个检测器。它加入了语义分割损失，以改善实例分割的收敛；采用残差对数似然估计（RLE）提升姿态估计精度；并使用专用角度损失解决 OBB 边界问题。

实际应用场景#

选择合适的架构，很大程度上取决于硬件和应用限制。

何时使用 YOLOv7#

对于已经深度集成其特定张量结构的旧版工作流，或需要复现 2022 和 2023 年的学术基准，YOLOv7 仍是可靠的选择。它在高端服务器 GPU 上表现良好。

何时使用 YOLOv10#

对于要求延迟稳定的场景，YOLOv10 很合适。由于它的无 NMS 检测头不需要执行随检测数量增加而变慢的后处理，因此适合高密度人群计数或制造缺陷检测等场景：目标数量可能波动，但每帧处理时间必须保持稳定。

何时使用 YOLO26#

YOLO26 是新项目的推荐选择。无论是在 Raspberry Pi 上部署安防报警系统，还是运行大型云端视频分析，其更快的 CPU 推理速度和更强的小目标检测能力都让它明显优于旧一代模型。

如果你对其他架构感兴趣，Ultralytics 也支持基于 Transformer 的检测器，例如 RT-DETR，以及较早的模型，例如 Ultralytics YOLO11。