YOLOv10 与 YOLOv9#

实时计算机视觉不断发展，在速度、精度和架构效率方面稳步提升。为下一次部署评估模型时，对比 YOLOv10 和 YOLOv9，可以看到解决深度学习瓶颈的两种不同思路。YOLOv9 专注于最大化训练期间的梯度信息流，而 YOLOv10 引入了端到端设计，移除了 NMS 后处理。

本指南分析了两者的架构创新、性能指标和理想应用场景，帮助开发者和研究人员为计算机视觉任务选择合适的模型。

YOLOv10：无需 NMS 的实时检测#

YOLOv10 旨在解决传统目标检测器的延迟瓶颈，它采用端到端架构，无需执行非极大值抑制（NMS）。

技术详情与沿革：

• 作者： Ao Wang、Hui Chen、Lihao Liu 等
• 组织：清华大学
• 日期： 2024 年 5 月 23 日
• 链接：arXiv 出版物、GitHub 仓库、Ultralytics 文档

进一步了解 YOLOv10

架构与优势#

YOLOv10 对该领域最重要的贡献，是用于无 NMS 训练的一致双重分配策略。通过消除 NMS，该模型降低了推理延迟，尤其适用于后处理可能成为整个流程瓶颈的边缘设备。它从效率和精度两个方面优化多个组件，实现了出色的速度与参数量权衡。例如，YOLOv10-S 在搭载 TensorRT 的 T4 GPU 上仅需 2.49 毫秒，非常适合高速视频分析和实时机器人导航。

缺点#

无 NMS 设计是边界框检测领域的一项重要进展，但 YOLOv10 本质上只是目标检测器。它不像更新的模型那样开箱即用地支持实例分割或姿态估计，因此功能不够全面。

YOLOv9：可编程梯度信息#

在 YOLOv10 之前，YOLOv9 引入了新颖的架构概念，用以解决深度神经网络固有的信息瓶颈问题，从而实现对参数的高效利用。

技术详情与沿革：

• 作者：Chien-Yao Wang 和 Hong-Yuan Mark Liao
• 机构：台湾中央研究院信息科学研究所
• 日期： 2024 年 2 月 21 日
• 链接：arXiv 出版物、GitHub 仓库、Ultralytics 文档

了解有关 YOLOv9 的更多信息

架构与优势#

YOLOv9 引入了可编程梯度信息（PGI）以及广义高效层聚合网络（GELAN）。PGI 确保关键目标信息在数据经过网络深层时不会丢失，从而为权重更新生成可靠的梯度。GELAN 最大限度地提升网络参数的效率。这些创新共同使 YOLOv9 的平均精度均值（mAP）在 MS COCO 数据集 上达到较高水平，并且往往能以更少的 FLOPs 超越更庞大的模型。对于专注于最大限度提升精度指标的研究人员来说，这是一款实力强劲的模型。

缺点#

尽管精度很高，YOLOv9 仍依赖标准 NMS 后处理。这意味着神经网络运算虽然很快，但最终的边界框过滤会根据场景中的目标密度产生不同的延迟。此外，与后续模型相比，它的训练过程可能更占用内存，使用自定义数据集进行微调时需要更强大的 GPU 资源。

性能对比#

下表展示了两款模型的核心指标。请注意，YOLOv10 通常通过 TensorRT 实现更低延迟，而 YOLOv9 则在最大规格配置中突破了精度上限。

新一代模型：为何推荐 YOLO26#

YOLOv9 和 YOLOv10 都是重要的里程碑，但机器学习领域发展迅速。对于生产环境，许多开发者会使用集成完善且维护活跃的 Ultralytics Platform。截至 2026 年，Ultralytics 面向研究和企业场景的推荐模型都是 YOLO26。

YOLO26 在前代模型理念的基础上，提供更流畅的用户体验、简洁的 API，且训练时的内存需求低于基于 Transformer 的架构。

YOLO26 的关键创新#

• 端到端无 NMS 设计：YOLO26 在 YOLOv10 的基础上支持可选的端到端推理，使用 nms=False 跳过 NMS 后处理，从而简化部署并使延迟更可预测。
• CPU 推理速度最高提升 43%：YOLO26n 的 CPU 速度最高可比 YOLO11n 快 43%，因此 YOLO26 非常适合边缘 AI以及没有专用 GPU 的嵌入式系统。
• MuSGD 优化器：结合 SGD 和 Muon 的混合优化器（灵感来自大语言模型优化技术），可实现稳定训练和快速收敛。
• 移除 DFL：移除分布焦点损失后，YOLO26 简化了模型导出流程，提升了与低功耗设备及各种边缘部署框架的兼容性。
• 针对特定任务的改进：与单任务检测器不同，YOLO26 支持检测、实例分割、语义分割、深度估计、分类、姿态估计和 OBB。它使用语义分割损失来改进实例分割，使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（定向边界框）的边界问题。

实际实现#

使用 Ultralytics Python 软件包训练和部署这些模型非常简单。以下示例展示了 Ultralytics 的训练工作流，该工作流会自动处理学习率调度和数据增强。

from ultralytics import YOLO

# 加载推荐的 YOLO26 模型
model = YOLO("yolo26n.pt")  # 也兼容 'yolov10n.pt' 或 'yolov9c.pt'

# 使用 COCO8 示例数据集训练模型
train_results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0, batch=16)

# 运行推理
predictions = model.predict("https://ultralytics.com/images/bus.jpg")

# 导出为 ONNX，简化边缘部署
model.export(format="onnx")

用例与建议#

选择 YOLOv10 还是 YOLOv9，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 YOLOv9#

以下场景推荐使用 YOLOv9：

• 信息瓶颈研究：研究可编程梯度信息 (PGI) 和广义高效层聚合网络 (GELAN) 架构的学术项目。
• 梯度流优化研究：重点研究如何理解并缓解训练期间深层网络层中的信息损失。
• 高准确率检测基准测试：需要将 YOLOv9 在 COCO 基准测试中的出色表现作为架构对比参照的场景。

何时选择 Ultralytics (YOLO26)#

对于大多数新项目，Ultralytics YOLO26 能提供性能与开发者体验的最佳组合：

• 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。

结论#

YOLOv9 和 YOLOv10 各有优势。YOLOv9 最大限度地提升了参数效率和梯度流表现，而 YOLOv9e 在本次比较中准确率最高。YOLOv10 将端到端边界框检测引入 YOLO 系列，同时避免了 NMS 带来的延迟开销。

对于希望兼顾性能、多功能性和易用性的开发者，升级到更新的模型值得考虑。YOLO26 配备 MuSGD 优化器、用于提升小目标检测能力的 ProgLoss + STAL，以及多任务支持，是实际计算机视觉项目的推荐选择。