YOLOv8 与 YOLOv10
实时目标检测发展迅速。随着开发者和研究人员尝试将最高效、最准确的计算机视觉模型集成到各自的流水线中,对比领先架构变得至关重要。本指南对比 Ultralytics YOLOv8 和 YOLOv10,考察它们的架构差异、性能指标和理想部署场景,帮助你为下一个 AI 项目做出明智的选择。
模型概览:YOLOv8#
YOLOv8 作为 YOLO 系列的一项重大进步推出,为统一且多功能的框架树立了新标准。它从一开始就被设计为支持标准边界框检测以外的多种任务,是适用于现代计算机视觉的灵活工具。
YOLOv8 详情:
- 作者: Glenn Jocher、Ayush Chaurasia 和 Jing Qiu
- 组织: Ultralytics
- 日期: 2023-01-10
- GitHub: https://github.com/ultralytics/ultralytics
- 文档: https://docs.ultralytics.com/models/yolov8
架构与优势#
YOLOv8 引入了无锚框检测头和重新设计的 CSPDarknet 主干网络,显著提升了准确率和推理延迟。移除锚框减少了模型需要预测的边界框数量,从而加快了后处理期间的非极大值抑制 (NMS)。
选择 YOLOv8 的一大突出优势是它的多功能性。许多模型只专注于目标检测,而 YOLOv8 原生支持实例分割、图像分类、姿态估计和有向边界框 (OBB)。因此,当流水线需要同时进行多种视觉理解任务时,它非常适用。与 RT-DETR 等基于 Transformer 的架构相比,它的训练内存需求也更低,研究人员可以在标准消费级 GPU 上训练大型模型。
模型概览:YOLOv10#
YOLOv10 由清华大学的研究人员开发,旨在解决 YOLO 系列长期存在的一个瓶颈:依赖 NMS 后处理。
YOLOv10 详情:
- 作者: Ao Wang、Hui Chen、Lihao Liu 等
- 组织: 清华大学
- 日期: 2024-05-23
- arXiv: https://arxiv.org/abs/2405.14458
- GitHub: https://github.com/THU-MIG/yolov10
- 文档: https://docs.ultralytics.com/models/yolov10
架构与优势#
YOLOv10 的主要创新是其一致双重分配策略,该策略支持无 NMS 训练和端到端部署。通过移除 NMS 步骤,YOLOv10 降低了推理延迟,尤其适用于后处理操作计算开销较大的边缘设备。
此外,YOLOv10 采用以效率和准确率为导向的整体模型设计,精细调整了每一层的计算开销。因此,模型所需的参数和 FLOPs 更少,同时仍能实现有竞争力的平均精度均值 (mAP)。对于纯检测任务中要求延迟尽可能低的场景,它是一个不错的选择。
性能与指标对比#
比较这两种架构时,务必权衡参数量、FLOPs 和精度。以下是它们在 COCO 数据集上的性能指标对比。
| 模型 | 尺寸 (像素) | mAPval50-95 | 速度 CPU ONNX (毫秒) | 速度 T4 TensorRT10 (ms) | 参数 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| 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 |
| 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 |
尽管 YOLOv10 在表中的每个尺度上都以更少的参数实现了更高 mAP,但 YOLOv8 生态系统更成熟,任务支持也更广,因此对于需要处理边界框以外任务的生产环境而言,通常更加可靠。
生态系统与训练方法#
现代机器学习工作流的真正差异化优势,往往来自架构周围的生态系统。选择 YOLOv8 这样的 Ultralytics 模型,可以获得易用性和一致的开发者体验。
借助直观的 Python SDK,开发者可以轻松完成训练、验证和部署。Ultralytics 生态系统会持续维护并频繁更新,提供涵盖超参数调优的完整文档,以及 Discord 和 GitHub 等平台上的活跃社区支持。
代码示例:简化训练#
Ultralytics Python API 让你可以轻松实例化、训练和验证任一模型。无论底层架构如何,工作流都相同。
from ultralytics import YOLO
# Load a pretrained YOLOv8 model
model = YOLO("yolov8n.pt")
# Train the model efficiently with automated learning rate scheduling
results = model.train(
data="coco8.yaml",
epochs=100,
imgsz=640,
device=0, # optimized CUDA memory usage
batch=16,
)
# Validate the model to check mAP metrics
metrics = model.val()
print(f"Validation mAP: {metrics.box.map}")
# Export to ONNX for edge deployment
model.export(format="onnx")用例与建议#
选择 YOLOv8 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 YOLOv8#
YOLOv8 适用于:
- 多任务通用部署: 项目需要在 Ultralytics 生态系统中使用经过验证的模型,完成检测、分割、分类和姿态估计。
- 成熟的生产系统: 已经基于 YOLOv8 架构构建、并拥有稳定且经过充分测试的部署流水线的现有生产环境。
- 广泛的社区与生态系统支持: 能够受益于 YOLOv8 丰富教程、第三方集成和活跃社区资源的应用。
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 加速的设备中,YOLO26n 的 CPU 推理速度最高比 YOLO11n 快 43%,优势显著。
- 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:迈向 YOLO26#
YOLOv8 是一款用途广泛的全能模型,YOLOv10 则为无 NMS 架构提供了有益的探索,但技术领域已经向前发展。为了在速度、准确率和部署简便性之间取得最佳平衡,Ultralytics 建议新项目使用 YOLO26。
YOLO26 于 2026 年 1 月发布,结合了前代模型的优势,并带来了多项新特性:
- 端到端、无需 NMS 的设计:在 YOLOv10 将无需 NMS 的训练引入 YOLO 模型的基础上,YOLO26 提供可选的无需 NMS 推理(
nms=False),实现更快、更简单的部署。 - 移除 DFL:移除分布焦点损失后,将模型导出到 CoreML 和边缘设备会更加顺畅。
- MuSGD 优化器:这一结合 SGD 和 Muon 的优化器受到大语言模型 (LLM) 训练的启发,可加快收敛并提升训练稳定性。
- 更快的 CPU 推理:YOLO26n 的 CPU 推理速度比 YOLO11n 最高快 43%,因此很适合用于 Raspberry Pi 和 IoT 应用。
- ProgLoss + STAL:渐进式损失和小目标感知标签分配 (STAL) 可提升小目标检测能力,这对航空影像和机器人领域至关重要。
如果你目前正在评估模型,也可以考虑 YOLO11。它是 YOLO26 的直接前代模型,仍可用于生产环境,并广泛应用于企业解决方案。不过,对于新项目,推荐使用 YOLO26 和 Ultralytics Platform 来完成视觉 AI 的标注、训练和部署。
评论
提出问题、分享结果,或帮助其他人。