YOLOv10 与YOLOv7：推进实时物体检测架构
YOLO （You Only Look Once，只看一次）系列的发展不断推动计算机视觉技术的进步，在实时应用的速度和精度之间取得了平衡。本对比探讨了 YOLOv10 和 YOLOv10 之间的架构转变和性能差异。 YOLOv10和 YOLOv7 之间的架构转变和性能差异。 YOLOv7之间的架构转变和性能差异。虽然这两个模型都对物体检测领域做出了重大贡献，但它们采用了不同的策略来实现各自的性能目标。
模型架构的演变
从YOLOv7 到YOLOv10 的过渡标志着神经网络处理后处理和特征整合的模式发生了转变。
YOLOv10：NMS 革命
YOLOv10清华大学的王敖、陈辉等人于 2024 年 5 月 23 日发布的 YOLOv10 介绍了一种突破性的NMS 训练策略。传统上，物体检测器依靠非最大值抑制（NMS）来过滤重复的边界框，这会造成推理延迟的瓶颈。
YOLOv10 利用一致性双分配（Consistent Dual Assignments）进行NMS 训练，使模型能够直接预测独特的对象实例。结合以效率和准确性为导向的整体模型设计，它优化了各种组件，包括轻量级分类头和空间通道解耦下采样，以减少计算冗余。
YOLOv7：为可培训的免费书包进行优化
YOLOv7YOLOv7于2022年7月6日发布，由来自中央研究院的Chien-Yao Wang、Alexey Bochkovskiy和Hong-Yuan Mark Liao共同完成，其重点是在不增加推理成本的情况下优化训练过程。它引入了扩展高效层聚合网络（E-ELAN），通过控制梯度路径来增强网络的学习能力。
YOLOv7 大量采用了 "免费包"（Bag-of-Freebies）--在不影响推理速度的情况下提高训练精确度的方法，以及高效复合参数的模型扩展技术。虽然 YOLOv7 非常有效，但它对传统NMS 后处理的依赖意味着它的端到端延迟往往高于最新的NMS 架构。
技术性能比较
在对这些模型进行评估时，在效率和原始检测能力方面出现了不同的模式。与YOLOv7 相比，YOLOv7 通常具有更高的效率，以更少的参数和更快的推理时间实现了相似或更好的mAP （平均精度）。
下表概述了COCO 数据集的主要指标。
| 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) |
|---|---|---|---|---|---|---|
| YOLOv10n | 640 | 39.5 | - | 1.56 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.7 | - | 2.66 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.3 | - | 5.48 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.7 | - | 6.54 | 24.4 | 92.0 |
| YOLOv10l | 640 | 53.3 | - | 8.33 | 29.5 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 12.2 | 56.9 | 160.4 |
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
效率洞察
这些数据凸显了YOLOv10 在资源有限环境中的关键优势。YOLOv10m实现了与YOLOv7l（51.4%mAP）几乎相同的精度（51.3%mAP），但参数（15.4M 对 36.9M）不到YOLOv7l的一半，FLOPs（59.1B 对 104.7B）显著降低。
延迟和吞吐量
YOLOv10 取消了NMS 步骤，大大降低了在拥挤场景中经常出现的延迟差异。在自动驾驶汽车或无人机监控等每毫秒都至关重要的应用中，YOLOv10 的可预测推理时间提供了安全关键的优势。在高端 GPU 上，YOLOv7 的吞吐量仍然具有竞争力，但要实现类似的结果，需要消耗更多的内存和计算量。
应用案例与应用
架构上的差异决定了每种模式的理想部署方案。
YOLOv10的理想场景
- 边缘人工智能： YOLOv10 参数数量少、FLOPs 低，非常适合Raspberry Pi或NVIDIA Jetson 等设备。
- 实时视频分析：高推理速度可支持交通管理和零售分析的高每秒处理速度。
- 机器人：延迟时间越短，机器人导航和操纵任务的反应时间就越快。
YOLOv7的理想场景
- 遗留系统：已经与YOLOv7 代码库集成的项目可能会发现它足够稳定，无需立即重构即可维护。
- 通用检测：对于 VRAM 资源丰富的服务器端部署，YOLOv7 的较大型号仍可提供强大的检测功能，但其效率低于较新的替代产品，如 YOLO11.
Ultralytics 的优势
虽然两种模型都很强大，但利用Ultralytics 生态系统能为开发人员和研究人员带来明显的好处。Ultralytics 框架实现了训练、验证和部署界面的标准化，大大方便了模型之间的切换和性能基准的设定。
易用性和培训效率
深度学习的主要障碍之一是训练管道的复杂性。Ultralytics 模型，包括YOLOv10 和 YOLO11利用精简的Python API 自动处理数据扩充、超参数调整和导出。
- 简单的应用程序接口：只需几行代码即可训练一个模型。
- 内存效率：与原始实现相比，Ultralytics 优化通常会降低训练过程中的CUDA 内存使用量。
- 预训练权重：访问在 ImageNet和COCO 上的高质量预训练模型可加速迁移学习。
适用于各种任务
现代Ultralytics 模型已超越了简单的边界框检测。它们在同一框架内支持实例分割、姿势估计 、定向对象检测（旋转框检测）和分类。与旧式的独立存储库相比，这种多功能性是一个关键优势。
代码示例：使用Ultralytics运行YOLOv10
下面的示例展示了使用Ultralytics API 加载预训练的YOLOv10 模型并运行推理的简便性。这种易用性与YOLOv7 等旧架构通常需要的更多手动设置形成鲜明对比。
from ultralytics import YOLO
# Load a pre-trained YOLOv10n model
model = YOLO("yolov10n.pt")
# Run inference on an image
results = model("path/to/image.jpg")
# Display the results
results[0].show()
结论与建议
用于新项目、 YOLOv10或更先进的 YOLO11是推荐的选择。YOLOv10 的NMS 架构在速度和精度之间实现了出色的平衡，使其能够高度适应现代边缘计算的需求。它解决了前几代产品的延迟瓶颈，同时减少了计算占用空间。
虽然 YOLOv7虽然 YOLOv7 仍是计算机视觉史上备受推崇的里程碑，但其架构在当今的标准下效率较低。寻求最佳性能、长期维护和易于部署的开发人员会发现，Ultralytics 生态系统拥有持续更新和广泛的工具支持，是构建视觉人工智能解决方案的最高效环境。