开始使用

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:

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:

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。

端到端检测

YOLOv10 移除了 NMS,简化了导出到 OpenVINO 和 TensorRT 等框架的流程,因为整个模型可以编译为单一计算图,无需自定义后处理层。

进一步了解 YOLOv10

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)
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8
YOLOv10n64038.5-1.842.36.7
YOLOv10s64046.3-2.497.221.6
YOLOv10m64051.1-4.7415.459.1
YOLOv10b64052.5-5.7419.192.0
YOLOv10l64053.2-7.2824.4120.3
YOLOv10x64054.4-10.7029.5160.4

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。