YOLOv10 与 YOLOv8
近年来,目标检测架构快速迭代,不断挑战精度、推理速度和计算效率的极限。本技术指南对比计算机视觉领域的两个重要里程碑:YOLOv10 和 Ultralytics YOLOv8。YOLOv8 建立了高度灵活、适用于生产的标准,而 YOLOv10 则专门通过架构调整来消除后处理瓶颈。
对于希望在真实场景中部署先进视觉 AI 解决方案的开发者和研究人员来说,了解这些模型各自的优势、架构和性能指标至关重要。
技术规格与作者信息#
要有效评估这些模型,了解它们的起源以及各自研究团队的核心关注点会很有帮助。
YOLOv10:端到端效率#
YOLOv10 由清华大学的研究人员开发,旨在解决前几代模型中后处理步骤带来的计算开销。
- 作者: Ao Wang、Hui Chen、Lihao Liu 等
- 组织: 清华大学
- 日期: 2024-05-23
- arXiv:2405.14458
- GitHub: THU-MIG/yolov10
- 文档: YOLOv10 文档
Ultralytics YOLOv8:多功能标准模型#
YOLOv8 于 2023 年 1 月发布,凭借其架构以及与更广泛机器学习生态系统的紧密集成,迅速成为业界的主流选择。
- 作者: Glenn Jocher、Ayush Chaurasia 和 Jing Qiu
- 组织: Ultralytics
- 日期: 2023-01-10
- GitHub: ultralytics/ultralytics
架构创新#
这两款模型都显著改进了传统 YOLO 架构,不过它们针对的是流水线中略有不同的方面。
YOLOv10 架构#
YOLOv10 最突出的特点是其无 NMS 训练策略。传统目标检测器在推理时依赖非极大值抑制(NMS)来过滤重叠的边界框。这一步骤会增加延迟,也会让端到端部署变得复杂。YOLOv10 在训练期间采用一致的双重分配,使其一对一检测头能够为每个目标预测一个边界框(在 Ultralytics 软件包中,使用 nms=False 选择此检测头)。此外,它采用整体性的效率与精度驱动型模型设计,优化多个组件以减少 FLOPs 和参数量。
YOLOv8 架构#
YOLOv8 引入了无锚框检测头,摒弃了前代模型采用的基于锚框方法。这减少了边界框预测数量,并加快了 NMS 操作。此外,YOLOv8 还采用 C2f 模块(带两个卷积的跨阶段部分瓶颈模块),改善梯度流,并让网络无需大幅增加计算成本即可学习更丰富的特征表示。其解耦检测头将分类和回归任务分开,从而加快收敛并提高整体精度。
性能与基准测试#
将模型部署到边缘设备或云服务器时,速度与准确率之间的权衡至关重要。下表对这两款模型在不同尺寸下进行了直接比较。
| 模型 | 尺寸 (像素) | mAPval50-95 | 速度 CPU ONNX (毫秒) | 速度 T4 TensorRT10 (ms) | 参数 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv10n | 640 | 38.5 | - | 1.84 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.3 | - | 2.49 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.1 | - | 4.74 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.5 | - | 5.74 | 19.1 | 92.0 |
| YOLOv10l | 640 | 53.2 | - | 7.28 | 24.4 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 10.70 | 29.5 | 160.4 |
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.1 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
注:短横线(-)表示未在相同测试条件下正式报告的指标。
从数据中可以看出,YOLOv10 的参数效率出色:在各个尺寸下,mAP 都超过对应的 YOLOv8 模型,同时使用更少的参数和 FLOPs。YOLOv8 的速度仍具竞争力:YOLOv8n 在表格中取得最快的 T4 TensorRT 速度(1.47 毫秒),而且只有 YOLOv8 报告了 CPU ONNX 速度。
面向生产环境时,使用 ONNX 或 TensorRT 等格式可以显著提升推理速度。YOLOv8 和 YOLOv10 都可以直接导出为这些优化后的计算图格式。
生态系统、训练效率与多功能性#
选择模型不只是看理论基准;开发者体验和周边生态系统同样至关重要。
Ultralytics 优势#
YOLOv8 的一项核心优势是与 Ultralytics 生态系统紧密集成。该环境提供直观的 Python API 和详尽的文档。与可能需要复杂环境配置的研究型代码库不同,Ultralytics 模型以易用性著称。
此外,YOLOv8 本身功能全面。YOLOv10 严格针对目标检测进行了优化,而 Ultralytics 框架允许开发者在同一个库和 API 结构中切换任务,包括目标检测、实例分割、图像分类、姿态估计和定向边界框(OBB)。
内存需求与训练#
Ultralytics YOLO 模型的设计注重训练效率。与复杂的 Transformer 模型相比,它们在训练和推理时通常占用更少内存,让开发者能在消费级硬件或标准云实例上训练先进模型,而不会耗尽 CUDA 显存。经过调优的默认超参数和内置数据增强也有助于模型快速收敛。
下面通过一个实际示例展示如何使用 Ultralytics Python API 轻松训练模型并运行推理:
from ultralytics import YOLO
# 加载预训练的 YOLOv8n 模型
model = YOLO("yolov8n.pt")
# 使用 COCO8 示例数据集训练模型
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)
# 对测试图像运行推理
predictions = model("https://ultralytics.com/images/zidane.jpg")
predictions[0].show()新一代模型:YOLO26#
YOLOv8 和 YOLOv10 都是重要的里程碑,但该领域仍在持续发展。对于新项目,Ultralytics 推荐于 2026 年 1 月发布的最新模型系列 YOLO26。
YOLO26 将近期的架构进展整合到一个框架中。它采用 YOLOv10 的端到端、无需 NMS 的设计作为可选的一对一检测头(nms=False),简化部署流程并降低延迟波动。YOLO26 还引入了 MuSGD 优化器,这是一种受 LLM 训练启发、融合 SGD 和 Muon 的优化器,可实现更快、更稳定的收敛。
YOLO26 的主要改进包括:
- CPU 推理速度最高提升 43%:移除分布焦点损失(DFL)后,YOLO26n 的 CPU 速度最高可比 YOLO11n 快 43%。
- ProgLoss + STAL:渐进式损失和小目标感知标签分配可以提升小目标识别能力,这对无人机图像和 IoT 传感器至关重要。
- 针对特定任务的改进:针对实例分割、语义分割、深度估计、姿态估计和 OBB,提供相应的检测头和损失函数。
理想应用场景与部署策略#
在这些架构之间做选择时,请考虑部署环境的具体需求:
- 选择 YOLOv10 的情况:你正在构建纯目标检测流水线,需要充分提高参数效率,并希望尝试早期无 NMS 架构的实现。
- 在以下情况下选择 Ultralytics YOLOv8:你需要一款稳定、可用于生产且由 Ultralytics Platform 支持的模型。如果项目需要在统一且易于维护的代码库中执行多种任务(例如先检测目标,再对目标进行分割),它会是不错的选择。
- 在以下情况下选择 YOLO26(推荐):你希望兼顾精度、可选的端到端无 NMS 推理,以及在 CPU 和边缘硬件上的高速运行。
如果你想了解更广泛的模型选择,还可以比较 YOLO11,或了解 Intel OpenVINO 等边缘部署集成方案,进一步加速视觉 AI 应用。
评论1
提出问题、分享结果,或帮助其他人。
koalag564(已编辑)
Great technical overview! YOLOv10 introduces a more efficient NMS-free design and refined architecture that enhances both speed and accuracy, especially in complex object detection scenarios. This YOLOv8 comparison, however, highlights how v8 still holds its ground with strong task flexibility, easier deployment, and a well-established ecosystem. The choice between the two often comes down to specific application needs and hardware constraints.