YOLOv10 与 YOLOv7#
过去几年计算机视觉的飞速发展催生了越来越多用于实时应用的高效架构。对比 YOLOv10 和 YOLOv7 凸显了这一演进过程中的一个关键过渡时期。虽然 YOLOv7 引入了高效的训练策略和架构缩放，但 YOLOv10 通过消除对非极大值抑制（NMS）的长期依赖彻底革新了部署方式。
这两个模型在各自发布时都突破了目标检测的界限，然而现代 Ultralytics 生态系统以及 YOLO26 等新一代模型的引入为当今的 AI 从业者提供了远超以往的工作流程。
模型简介与起源#
了解这些模型的起源，可以为理解其架构设计选择以及推动这些研究的学术背景提供有价值的参考。
YOLOv10 详情#
- 作者：Ao Wang, Hui Chen, Lihao Liu 等。
- 机构：Tsinghua University
- 日期：2024-05-23
- Arxiv：YOLOv10: Real-Time End-to-End Object Detection
- GitHub：THU-MIG/yolov10
- 文档：Ultralytics YOLOv10 Documentation
YOLOv7 详情#
- 作者: Chien-Yao Wang, Alexey Bochkovskiy, and Hong-Yuan Mark Liao
- 机构：Institute of Information Science, Academia Sinica, Taiwan
- 日期: 2022-07-06
- Arxiv：YOLOv7: Trainable bag-of-freebies sets new state-of-the-art
- GitHub：WongKinYiu/yolov7
- 文档：Ultralytics YOLOv7 Documentation
架构创新#
YOLOv7 的方法#
YOLOv7 发布于 2022 年，重点在于优化梯度路径。它引入了扩展高效层聚合网络（E-ELAN），使模型能够在不破坏原始梯度路径的情况下学习更多样化的特征。此外，作者还实现了一种“可训练的免费包（bag-of-freebies）”方法，在训练期间利用重参数化技术，这些技术可以在推理时融合，从而保持快速的执行速度。尽管进行了这些令人印象深刻的优化，YOLOv7 在后处理阶段仍然严重依赖 NMS，这会导致在密集场景分析中出现不稳定的延迟。
YOLOv10 的突破#
YOLOv10 直接解决了 NMS 瓶颈。通过在训练期间引入一致的双重分配，清华大学团队实现了免 NMS 的端到端检测。这种双头方法使用带有“多对一”分配的一个分支在训练期间提供丰富的监督信号，并使用带有“一对一”分配的另一个分支进行免 NMS 推理。这种架构转变确保了适合高速视频分析的一致且超低的推理延迟。此外，YOLOv10 采用整体的效率-精度驱动模型设计，剥离了早期版本中存在的计算冗余。
移除 NMS 后处理不仅加快了推理速度，还显著简化了在边缘 AI 硬件上的部署，例如 AI 加速器和 NPU，在这些设备上，自定义 NMS 操作通常难以编译。
性能比较#
在 MS COCO dataset 上对比原始指标时，代际差距显而易见。YOLOv10 在参数量、计算要求和精度之间实现了更有利的权衡。
| 模型 | 尺寸 (像素) | mAPval 50-95 | 速度 CPU ONNX (ms) | 速度 T4 TensorRT10 (ms) | 参数量 (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 |
如上所示，YOLOv10x 提供了 54.4% 的卓越 mAP，而 YOLOv10x 的参数量比 YOLOv7x 少大约 20%，后者为 53.1%。此外，轻量级 YOLOv10 模型（Nano 和 Small）提供了出色的 TensorRT deployment 速度，使其极具吸引力，适合移动端部署。
Ultralytics 生态系统优势#
虽然研究架构论文很有启发性，但现代计算机视觉开发依赖于强大且维护良好的框架。对于希望快速从原型转入生产的开发者来说，选择一个由 Ultralytics 支持的模型具有巨大的优势。
精简的开发流程#
YOLOv10 和 YOLOv7 都可以通过标准的 Ultralytics Python 包进行访问。这提供了无与伦比的 易用性，用简单直观的 API 替换了数千行样板代码。此外，与沉重的 Transformer 架构相比，Ultralytics YOLO 模型在训练期间所需的 CUDA 内存显著更低，从而可以在消费级硬件上使用更大的批次大小。
无与伦比的多功能性#
虽然旧的仓库通常严格专注于边界框检测，但集成式的 Ultralytics 框架无缝支持大量任务。无论你是在执行实例分割、姿态估计还是旋转边界框 (OBB) 检测，工作流程都完全相同。
代码示例：一致的训练工作流程#
以下代码片段演示了无缝的训练过程，它会自动处理数据增强和学习率调度：
from ultralytics import YOLO
# Load the desired model (YOLOv10, YOLOv7, or the recommended YOLO26)
model = YOLO("yolo26n.pt")
# Train the model effortlessly on your dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, batch=16, device=0)
# Export to ONNX format for rapid deployment
model.export(format="onnx")应用场景与建议#
在 YOLOv10 和 YOLOv7 之间进行选择，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#
YOLOv10 是以下情况的有力选择：
- 无需 NMS 的实时检测： 得益于无需非极大值抑制（Non-Maximum Suppression）的端到端检测，能够降低部署复杂性的应用。
- 平衡的速度与精度权衡： 需要在推理速度和检测精度之间取得良好平衡的各类项目，适用于多种模型规模。
- 一致延迟的应用： 预测推理时间至关重要的部署场景，例如机器人技术或自主系统。
何时选择 YOLOv7#
建议在以下情况选择 YOLOv7：
- 学术基准测试： 重现 2022 年水平的最先进结果，或研究 E-ELAN 和可训练免费赠品包技术的效果。
- 重参数化研究： 调研规划重参数化卷积和复合模型缩放策略。
- 现有自定义流水线： 围绕 YOLOv7 特定架构构建了大量定制流水线，且难以轻松重构的项目。
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 NMS 的边缘部署： 需要一致、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： 没有专用 GPU 加速的设备，YOLO26 带来的高达 43% 的 CPU 推理提速可提供决定性优势。
- 小目标检测： 诸如航拍无人机图像或物联网传感器分析等具有挑战性的场景，其中 ProgLoss 和 STAL 显著提高了微小目标的准确率。
新标准：介绍 YOLO26#
虽然 YOLOv10 在 2024 年实现了巨大的飞跃，但计算机视觉领域发展极快。对于所有新开发项目，我们强烈建议使用最新一代模型：Ultralytics YOLO26。它发布于 2026 年 1 月，代表了实时视觉 AI 的最高水平，在很大程度上取代了 YOLOv7 和 YOLOv10。
YOLO26 带来了专门为现代部署环境设计的空前创新：
- 端到端无 NMS 设计： 在 YOLOv10 的基础上，YOLO26 原生消除了 NMS 后处理，从而实现了更简单的部署管道和一致的高速推理。
- CPU 推理速度提升高达 43%： 针对边缘计算和缺乏专用 GPU 的设备进行了深度优化，可大幅节省硬件成本。
- 移除 DFL： 分布焦点损失（Distribution Focal Loss）已被完全移除，这极大地简化了导出逻辑，并显著提高了与低功耗边缘设备和微控制器的兼容性。
- MuSGD Optimizer： 受 Moonshot AI 的 Kimi K2 启发，这种 SGD 与 Muon 的混合体将大语言模型 (LLM) 训练创新直接引入计算机视觉，从而带来了令人难以置信的稳定训练动态和更快的收敛速度。
- ProgLoss + STAL： 这些先进的损失函数在小目标识别方面带来了显著改进，这是一个历来具有挑战性的领域，对于无人机、机器人和智慧城市监控至关重要。
- 任务特定的改进： YOLO26 不仅仅是一个检测器。它包括专门的语义分割损失、用于超精确姿态跟踪的残差对数似然估计（RLE）以及用于消除 OBB 边界问题的专门角度损失算法。
为了获得管理数据集、训练 YOLO26 以及将模型部署到云端的最佳体验，请探索 Ultralytics Platform。它提供了一个无代码界面，完美补充了 Python SDK。
实际应用场景#
选择正确的架构在很大程度上取决于你的硬件和应用限制。
何时使用 YOLOv7#
YOLOv7 仍然是维护已深度集成其特定张量结构的旧系统，或复现 2022 年和 2023 年学术基准时的可靠选择。它在高端服务器 GPU 上表现优异。
何时使用 YOLOv10#
YOLOv10 在需要严格且不变延迟的场景中大放异彩。由于它是免 NMS 的，因此非常适合高密度人群计数或制造缺陷检测，在这些场景中对象数量剧烈波动，但每帧的处理时间必须保持恒定。
何时使用 YOLO26#
YOLO26 是任何全新项目的绝对首选。从在基础 Raspberry Pi 上部署复杂的安全报警系统到运行大规模的基于云的视频分析，其卓越的 CPU 速度和先进的小目标检测能力使其远超旧一代产品。
对于有兴趣探索替代现代架构的开发者，我们还为基于 Transformer 的检测器（如 RT-DETR）和以前的代际主力（如 Ultralytics YOLO11）提供了广泛的支持。