YOLOv7 与 YOLOv10#

过去几年，计算机视觉领域发展迅速，YOLO（只看一次）系列模型引领了实时目标检测的发展。为计算机视觉项目选择合适的架构，需要清楚了解现有方案。本文从技术角度比较两个里程碑式架构的关键差异：YOLOv7 和 YOLOv10。

模型简介#

这两种模型都是目标检测领域的重要里程碑，但它们解决目标检测挑战的方式存在根本差异。

YOLOv7：免费赠品组合的先驱#

YOLOv7 于 2022 年 7 月 6 日由来自中央研究院资讯科学研究所的研究人员 Chien-Yao Wang、Alexey Bochkovskiy 和 Hong-Yuan Mark Liao 发布，为优化实时检测器带来了新思路。原始研究在其学术论文中进行了详细介绍，并托管在其官方 GitHub 仓库中，重点研究架构重参数化和可训练的“免费增益包”。

YOLOv7 利用扩展高效层聚合网络（E-ELAN），引导网络学习多样化特征，同时不破坏原始梯度路径。因此，对于学术研究基准测试和严重依赖标准高端 GPU 的系统来说，它是一个可靠的选择。

详细了解 YOLOv7

YOLOv10：实时端到端检测#

YOLOv10 由 Ao Wang 及其同事在清华大学开发，于 2024 年 5 月 23 日发布。其arXiv 论文和清华 GitHub 仓库详细介绍了该模型如何消除目标检测中长期存在的瓶颈：非极大值抑制（NMS）。

YOLOv10 引入了用于无 NMS 训练的一致双重分配机制，改变了后处理流水线。其以效率和准确率为导向的整体模型设计减少了计算冗余，因此非常适合需要低延迟的边缘设备。

进一步了解 YOLOv10

性能与指标对比#

分析模型性能时，评估准确率、速度和计算开销之间的权衡非常重要。下表展示了这些模型不同尺寸版本之间的性能对比。

权衡分析#

上述指标揭示了明显的代际差距。YOLOv7x 的 mAP^val_50-95 达到 53.1%，表现出色，但需要 71.3M 个参数和 189.9B FLOPs。相比之下，YOLOv10l 的准确率更高（53.2% mAP），所需参数约为其三分之一（24.4M），FLOPs 也显著更低（120.3B）。此外，YOLOv10n 在搭载 TensorRT 的 T4 GPU 上运行仅需 1.84 ms，非常适合实时视频分析和移动应用。

实际应用场景#

这些模型的架构差异决定了各自最适合的应用场景。

何时使用 YOLOv7#

YOLOv7 丰富的特征表示适用于 GPU 硬件上的复杂场景。在密集城区监测交通流量、分析卫星图像或识别重型制造自动化中的缺陷等用例，都能受益于其重参数化架构。它在围绕特定 PyTorch 1.x 流程构建的旧版环境中也仍然常见。

何时使用 YOLOv10#

YOLOv10 的无 NMS 轻量级设计适用于资源受限的环境，包括 NVIDIA Jetson 模块或 Raspberry Pi 等边缘计算设备。其低延迟性能非常适合体育分析、自主无人机导航以及传送带上的高速机器人分拣等快速响应应用。

Ultralytics 生态系统的优势#

虽然这两个模型都拥有深厚的学术背景，但在 Ultralytics 生态系统和 Ultralytics Platform 中训练和部署 YOLOv10 最为便捷。从头开发计算机视觉模型并不容易，而 Ultralytics 生态系统简化了机器学习工程师的工作流程。

• 易用性： Ultralytics Python API 提供统一的接口。你只需几行代码即可训练、验证和导出模型，避免学术代码库中常见的依赖冲突。
• 维护良好的生态系统： Ultralytics 代码库持续积极开发，用户可以集成常用的机器学习工具，例如用于日志记录的 Weights & Biases，以及用于快速创建 Web 演示的 Gradio。
• 内存需求： 基于 Transformer 的目标检测器在训练期间通常会占用大量 CUDA 内存。相比之下，Ultralytics YOLO 模型所需内存少得多，因此在消费级硬件上可以使用大得多的批量大小。
• 多功能性： Ultralytics 流程不局限于标准边界框。它支持实例分割、图像分类、姿态估计和有向边界框，适用于 YOLO11 和 YOLOv8 等受支持的模型系列。

精简的训练示例#

使用 Ultralytics 运行训练流程十分简单。无论你采用 YOLOv10 无 NMS 的速度优势，还是使用其他受支持的模型，语法都保持一致（请注意，Ultralytics 包不支持 YOLOv7 训练）：

from ultralytics import YOLO

# 加载首选模型（例如 YOLOv10 Nano）
model = YOLO("yolov10n.pt")

# 使用 COCO8 数据集训练模型
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# 对示例图像运行推理预测
predictions = model.predict("https://ultralytics.com/images/bus.jpg")

# 导出为 ONNX 等适合边缘设备的格式
model.export(format="onnx")

用例与建议#

选择 YOLOv7 还是 YOLOv10，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 YOLOv7#

YOLOv7 适用于以下情况：

• 学术基准测试：复现 2022 年的最先进成果，或研究 E-ELAN 和可训练的免费优势集合技术所带来的影响。
• 重参数化研究：研究计划中的重参数化卷积和复合模型缩放策略。
• 现有自定义流水线：项目已围绕 YOLOv7 特定架构构建了高度定制的流水线，且难以重构。

何时选择 YOLOv10#

以下场景推荐使用 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 Ultralytics (YOLO26)#

对于大多数新项目，Ultralytics YOLO26在性能与开发体验之间实现了最佳平衡：

• 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。

未来展望：认识 YOLO26#

YOLOv7 和 YOLOv10 虽然是令人瞩目的里程碑，但 AI 前沿始终在不断发展。Ultralytics YOLO26 于 2026 年 1 月发布，是适用于边缘端和云端部署、兼顾效率与准确率的推荐模型。

如果你今天开始一个新的计算机视觉项目，推荐使用 YOLO26 架构。它在前代模型的基础上引入了多项创新：

• 端到端无 NMS 设计： YOLO26 的可选一对一检测头（nms=False）借鉴了 YOLOv10 的设计思路，可跳过 NMS 后处理，从而为实时机器人应用提供更低且更稳定的延迟。
• CPU 推理速度最高提升 43%： 移除 Distribution Focal Loss（DFL）模块后，YOLO26 在非 GPU 边缘硬件上的执行速度更快；YOLO26n 在 CPU 上的运行速度最高比 YOLO11n 快 43%，非常适合 IoT 设备。
• MuSGD 优化器： YOLO26 借鉴了近期大语言模型训练创新，融合 SGD 和 Muon，带来更稳定的训练和更快的收敛速度。
• ProgLoss + STAL： 渐进式损失和小目标感知标签分配提升了小目标识别能力，弥补了旧版 YOLO 系列长期存在的短板。
• 多任务多功能性： YOLO26 涵盖检测、实例分割、语义分割、深度估计、分类、姿态估计和 OBB，并针对具体任务进行了优化，例如用于姿态估计的残差对数似然估计（RLE），以及用于航空图像中精确 OBB 检测的专用角度损失。

对于追求速度、准确率和部署简便性之间最佳平衡的工程师，YOLO26 是从旧版模型自然升级的选择。