开始使用

YOLOX 与 YOLOv10

实时计算机视觉模型的发展经历了显著的架构进步。其中两个重要里程碑是 YOLOX 和 YOLOv10。YOLOX 于 2021 年发布,通过引入有效的无锚框设计,帮助弥合了学术研究与工业应用之间的差距。三年后,YOLOv10 在后处理中免去了非极大值抑制 (NMS),提升了效率和速度。

本文从技术角度对比这两种模型的架构、性能指标和理想应用场景,帮助你为下一个目标检测项目选择合适的工具。

模型起源与元数据#

了解这些模型的起源,有助于理解其架构选择和目标部署环境。

YOLOX 详情

详细了解 YOLOX

YOLOv10 详情

进一步了解 YOLOv10

架构创新#

YOLOX 和 YOLOv10 的核心区别在于它们处理边界框预测和后处理的方式。

YOLOX:开创无锚框设计#

YOLOX 将 YOLO 系列转向无锚框架构。它通过预测物体中心而非依赖预定义锚框,大幅减少了设计参数数量以及针对自定义数据集所需的启发式调优。它还引入了解耦检测头,将分类和回归任务分配到不同路径。这种方法减少了判断物体是什么与确定物体在哪里之间的冲突,从而显著提升了收敛速度和精度。

YOLOv10:无需 NMS 的实时检测#

虽然 YOLOX 简化了检测头,但仍依赖 NMS 来过滤冗余的边界框预测。YOLOv10 解决了这一根本瓶颈。通过在训练期间采用一致的双重分配,YOLOv10 实现了原生端到端检测。它在训练时使用一对多检测头,确保丰富的监督信号;推理时则使用一对一检测头,直接输出最终预测结果。这种全面兼顾效率与准确率的设计彻底移除了 NMS,显著降低了嵌入式芯片上的推理延迟。

移除 NMS 的影响

非极大值抑制通常很难在神经处理单元 (NPU) 上加速。通过移除这一步,YOLOv10 可以让整个模型计算图在专用硬件上运行,从而提升与 OpenVINO 和 TensorRT 等优化框架的兼容性。

性能指标与对比#

评估用于生产环境的模型时,平衡准确率与计算开销至关重要。下表展示了 YOLOX 和 YOLOv10 不同规模模型之间的权衡。

模型尺寸
(像素)
mAPval50-95速度
CPU ONNX
(毫秒)
速度
T4 TensorRT10
(ms)
参数
(M)
FLOPs
(B)
YOLOXnano41625.8--0.911.08
YOLOXtiny41632.8--5.066.45
YOLOXs64040.5-2.569.026.8
YOLOXm64046.9-5.4325.373.8
YOLOXl64049.7-9.0454.2155.6
YOLOXx64051.1-16.199.1281.9
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

数据分析#

这些指标展现了 YOLOv10 的代际提升。例如,YOLOv10-S 的平均精度均值为 46.3%,略低于 YOLOX-m 的 46.9%,但参数量不到后者的三分之一(7.2M 对比 25.3M),FLOPs 也显著更少。此外,顶级型号 YOLOv10-X 将 mAP 提升至 54.4%,在满足高精度任务需求的同时,速度仍快于较早的 YOLOX-x 架构,竞争力十足。

Ultralytics 生态系统的优势#

YOLOX 仍然是可靠的开源研究实现,但采用 YOLOv10 可以立即使用 Ultralytics 提供的维护完善的生态系统。选择由 Ultralytics 支持的模型,可获得更顺畅的使用体验,包括简单易用的 API 和详尽的文档。

开发者可以受益于该框架较低的内存需求;训练 Ultralytics 模型通常比训练 RT-DETR 等大型 Transformer 架构消耗少得多的 CUDA 内存。这种高效的训练内存占用让你能在消费级硬件上使用更大的批次,从而缩短从数据采集到模型部署的时间。该框架还支持多种任务,因此用户只需进行少量代码修改,就能在目标检测、实例分割和姿态估计之间切换。

训练与推理示例#

统一 API 让你可以快速验证想法。以下代码片段使用 PyTorch 后端训练并部署 YOLOv10 模型:

from ultralytics import YOLO

# 加载预训练的 YOLOv10 nano 模型
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
predictions = model.predict("https://ultralytics.com/images/bus.jpg")

# 导出模型以便部署到边缘设备
model.export(format="engine", quantize=16)

借助内置的导出流程,将模型转换为 TensorRT 或 ONNX 等格式只需一行代码,无需执行复杂的编译步骤。

理想应用与部署场景#

如何在这些架构之间做出选择,很大程度上取决于你的硬件限制和具体领域需求。

实时视频分析#

对于自动驾驶或实时交通监控等对延迟要求极低的应用,YOLOv10 是更好的选择。其端到端、无 NMS 的设计可提供可预测的执行时间,这对无法容忍后处理延迟波动的安全系统至关重要。该模型系列在 NVIDIA Jetson 等设备上可实现高帧率。

学术基准测试与边缘微控制器#

在学术研究中,YOLOX 仍有价值:研究人员可以将其作为结构清晰的解耦头基线,用于实验不同的标签分配策略。此外,体积非常小的 YOLOX-Nano(参数量不到 100 万)可以部署在内存极为有限的边缘设备上,前提是硬件支持标准卷积运算。

YOLOv10 在移除 NMS 方面迈出了重要一步,但计算机视觉领域发展迅速。对于新项目,Ultralytics 推荐于 2026 年 1 月发布的 YOLO26。

YOLO26 在前代模型的理念基础上进一步发展,兼顾性能,并原生支持目标检测、实例分割和语义分割、深度估计、分类、姿态估计以及有向边界框。

以下是 YOLO26 成为现代计算机视觉流程推荐之选的原因:

  • 端到端无 NMS 设计:在 YOLOv10 的基础上,YOLO26 支持原生端到端推理(nms=False),无需 NMS 后处理瓶颈,即可实现更快且更可预测的推理时间。
  • CPU 推理速度最高提升 43%:YOLO26n 在 CPU 上的运行速度最高比 YOLO11n 快 43%,适用于移动处理器和没有独立 GPU 的设备。
  • MuSGD 优化器:YOLO26 的设计受到大型语言模型训练(特别是 Moonshot AI 的 Kimi K2)的启发,采用 SGD 与 Muon 的混合方案,实现稳定训练和快速收敛。
  • 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,这对航拍图像和无人机导航等要求严苛的领域至关重要。
  • 移除 DFL:通过移除分布焦点损失,YOLO26 简化了模型计算图,便于导出到边缘设备和低功耗设备。
  • 针对任务的改进:无论是使用残差对数似然估计 (RLE) 进行姿态估计,还是为 OBB 使用专用角度损失,YOLO26 都针对每种主要视觉任务进行了改进。

对于要升级流水线的开发者,Ultralytics Platform 搭配 YOLO26 可提供高效的训练和部署工具。对成熟架构感兴趣的用户也可以了解 YOLO11 或 YOLOv8,它们拥有广泛的社区支持和经过验证的可靠性。

评论

提出问题、分享结果,或帮助其他人。