YOLOv10 与 YOLOX：无锚框与无 NMS 目标检测的演进
计算机视觉领域的发展由实时目标检测架构的快速进步所推动。这份详细的技术比较探讨了两个对效率和设计范式产生深远影响的模型：YOLOv10 和 YOLOX。通过考察它们的架构差异、性能指标和训练方法，开发者和研究人员可以为部署稳健的视觉系统做出明智决策。
模型背景与起源
了解这些深度学习模型的起源，能为理解其架构目标和目标用例提供宝贵的背景信息。
YOLOv10：消除 NMS 以实现真正的端到端检测
YOLOv10 的开发旨在解决长期存在的延迟瓶颈，为 YOLO 系列引入了原生的端到端方法。
- 作者： Ao Wang, Hui Chen, Lihao Liu 等。
- 所属机构： 清华大学
- 日期： 2024 年 5 月 23 日
- ArXiv: 2405.14458
- GitHub： THU-MIG/yolov10
- 文档： Ultralytics YOLOv10 文档
YOLOX：架起研究与工业之间的桥梁
YOLOX 作为传统 YOLO 设计的无锚框版本出现，提供了一种性能极具竞争力且更简单的方法，专门旨在降低工业界的部署难度。
- 作者： Zheng Ge, Songtao Liu, Feng Wang, Zeming Li, and Jian Sun
- 机构： Megvii
- 日期： 2021 年 7 月 18 日
- ArXiv： 2107.08430
- GitHub： Megvii-BaseDetection/YOLOX
- 文档： YOLOX 官方文档
架构亮点与创新
这两个框架都背离了传统的基于锚框的检测器，但它们解决了目标检测流水线中不同的问题。
YOLOX 架构
YOLOX 在 2021 年为该生态系统带来了一些关键更新。其主要贡献是转向了无锚框检测器设计。通过消除预定义的锚框，YOLOX 大幅减少了不同数据集所需的设计参数和启发式调整。
此外，YOLOX 采用了解耦头，将分类和回归任务分开。这解决了两个目标之间的冲突，显著加快了训练过程中的收敛速度。它还利用 SimOTA 进行高级标签分配，改善了对 COCO 数据集 中常见的拥挤场景和遮挡问题的处理。
像 YOLOX 所开创的这种无锚框设计，显著降低了模型调整的复杂性。开发者不再需要在自定义数据集上执行 k-means 聚类来定义最佳锚框尺寸，从而节省了宝贵的准备时间。
YOLOv10 架构
虽然 YOLOX 改进了检测头，但它在推理过程中仍然依赖非极大值抑制 (NMS)，这会导致延迟的波动。YOLOv10 通过引入用于无 NMS 训练的一致性双重分配策略，专门针对这一缺陷进行了优化。在训练期间，它同时使用一对多和一对一标签分配，但在推理期间，它完全舍弃了一对多检测头，从而在没有 NMS 后处理的情况下输出清晰的预测。
YOLOv10 还采用了整体化、效率与准确度驱动的模型设计。它整合了轻量级分类头和空间-通道解耦下采样，在不牺牲准确性的前提下，大幅减少了参数量和 FLOPs。
性能对比
在 NVIDIA T4 GPU 等硬件上评估这些模型，可以发现它们各自在不同规模下的显著优势。以下是全面的比较表。
| 模型 | 尺寸 (像素) | mAPval 50-95 | 速度 CPU ONNX (ms) | 速度 T4 TensorRT10 (ms) | 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 |
| YOLOXnano | 416 | 25.8 | - | - | 0.91 | 1.08 |
| YOLOXtiny | 416 | 32.8 | - | - | 5.06 | 6.45 |
| YOLOXs | 640 | 40.5 | - | 2.56 | 9.0 | 26.8 |
| YOLOXm | 640 | 46.9 | - | 5.43 | 25.3 | 73.8 |
| YOLOXl | 640 | 49.7 | - | 9.04 | 54.2 | 155.6 |
| YOLOXx | 640 | 51.1 | - | 16.1 | 99.1 | 281.9 |
如上所示，YOLOv10 的扩展性极佳。YOLOv10x 变体实现了最高的准确度（54.4 mAP），而 YOLOv10n 变体通过 TensorRT 集成提供了最快的推理速度。相反，传统的 YOLOX nano 模型在资源极度受限的环境中拥有最小的整体占用空间。
训练方法与资源需求
当为生产环境实施模型时，训练生态系统和资源需求与原始推理速度同等重要。
YOLOX 通常依赖于旧的环境配置，管理起来可能比较繁琐。此外，其遗留代码库需要更多的样板代码来实现多 GPU 分布式训练或混合精度优化。
相比之下，YOLOv10 可以与现代 PyTorch 工作流无缝集成，但真正改变开发者体验的是 Ultralytics 生态系统。与像 RT-DETR 这种基于 Transformer 的架构相比，Ultralytics 模型的特点是在训练期间的 CUDA 内存占用显著更低。
代码示例：精简的训练
使用统一的 Ultralytics API，你只需几行 Python 代码即可轻松训练最先进的模型。这避免了手动编译 C++ 算子或复杂的配置文件。
from ultralytics import YOLO
# Initialize a pre-trained YOLOv10 model
model = YOLO("yolov10s.pt")
# Train the model on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Validate the model's performance
metrics = model.val()
# Export the optimized model to ONNX format
model.export(format="onnx")这种简单的语法让你开箱即用地获得 自动混合精度、自动数据增强，并与 Weights & Biases 等工具进行集成。
用例与建议
在 YOLOv10 和 YOLOX 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 是以下情况的理想选择：
- 无需 NMS 的实时检测： 得益于端到端检测且无需非极大值抑制，从而降低了部署复杂性的应用。
- 平衡的速度-精度权衡： 需要在不同模型规模下实现推理速度与检测精度之间良好平衡的项目。
- Consistent-Latency Applications: Deployment scenarios where predictable inference times are critical, such as robotics or autonomous systems.
何时选择 YOLOX
推荐在以下场景使用 YOLOX：
- 无锚框检测研究： 使用 YOLOX 简洁的无锚框架构作为基准，进行新检测头或损失函数实验的学术研究。
- 超轻量级边缘设备： 部署在微控制器或旧款移动硬件上，此时 YOLOX-Nano 变体极小的空间占用（0.91M 参数）至关重要。
- SimOTA 标签分配研究： 调查基于最优传输的标签分配策略及其对训练收敛影响的研究项目。
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：
- 无需 NMS 的边缘部署： 需要持续、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： 在没有专用 GPU 加速的设备上，YOLO26 的 CPU 推理速度提升高达 43%，这提供了决定性优势。
- 小目标检测： 具有挑战性的场景，如 航拍无人机图像 或 IoT 传感器分析，ProgLoss 和 STAL 在小目标上显著提升了准确性。
视觉 AI 的未来：YOLO26 来临
虽然 YOLOv10 和 YOLOX 代表了重要的里程碑，但计算机视觉领域仍在不断向前推进。对于今天开始新项目的开发者，我们明确推荐 Ultralytics YOLO26。
Ultralytics YOLO26 发布于 2026 年 1 月，它建立在 YOLOv10 开创的端到端无 NMS 设计这一基础突破之上，并对其进行了完善，以获得更高的稳定性和速度。
YOLO26 通过引入多项巨大的飞跃而脱颖而出：
- CPU 推理速度提升高达 43%： 通过策略性地移除分布焦点损失 (DFL)，YOLO26 在没有 GPU 的边缘设备上实现了远超以往的性能。
- MuSGD 优化器： 受 LLM 训练稳定性的启发，这种 SGD 与 Muon 的新型混合优化器确保了更快的收敛速度和高度稳定的训练过程。
- ProgLoss + STAL： 这些先进的损失函数在小目标识别方面产生了显著的改进，这对航空影像和物联网传感器来说是一个关键因素。
- 无与伦比的多功能性： 与仅能用于目标检测的 YOLOX 不同，YOLO26 在单一的统一库中原生支持 实例分割、姿态估计、图像分类 和 OBB 检测。
为了实现向生产环境的最简路径，开发者可以使用 Ultralytics 平台 来标注数据集、在云端训练 YOLO26 模型，并部署到任何边缘设备上，无需任何配置。
现实世界应用
选择合适的模型决定了跨行业实际部署的成功与否。
高速视频分析
对于处理密集视频流（如智慧城市交通管理），YOLOv10 由于其无 NMS 后处理的特点而具有显著优势。消除 NMS 瓶颈可以实现持续的低延迟，使其成为搭配 BoT-SORT 等跟踪算法的理想选择。
遗留边缘部署
对于旧的学术设置或主要为纯卷积范式深度优化的旧版 Android 应用程序，较小的模型如 YOLOX-Tiny 可能仍然有其特殊用例，在这些情况下，维持旧版 PyTorch 环境是一种可以接受的权衡。
现代边缘和物联网设备
对于下一代硬件部署（如机器人、无人机和零售货架分析），YOLO26 是终极解决方案。其大幅降低的 CPU 延迟和卓越的小目标检测能力，使其在自主导航和精细库存管理方面具有独特的资格。
为了获得更多比较以扩展你的深度学习工具箱，你还可以探索这些模型与灵活的 YOLO11 或基于 Transformer 的 RT-DETR 等替代方案的对比表现。