YOLOv10：实时端到端目标检测#
YOLOv10 于 2024 年 5 月发布，基于清华大学研究人员开发的UltralyticsPython package，引入了一种实时目标检测的新方法，解决了以往 YOLO 版本中存在的后处理和模型架构缺陷。通过消除非极大值抑制（NMS）并优化各种模型组件，YOLOv10 在发布时以显著降低的计算开销实现了出色的性能。其免 NMS 的端到端设计开创了一种方法，该方法在YOLO26中得到了进一步发展。
Watch: How to Train YOLOv10 on SKU-110k Dataset using Ultralytics | Retail Dataset
概述#
实时目标检测旨在以低延迟准确预测图像中的目标类别和位置。凭借性能与效率之间的平衡，YOLO 系列一直处于该研究的前沿。然而，对 NMS 的依赖和架构上的低效阻碍了最佳性能的发挥。YOLOv10 通过为无 NMS 训练引入一致性双重分配以及整体效率-准确率驱动的模型设计策略，解决了这些问题。
架构#
YOLOv10 的架构建立在之前 YOLO 模型优势的基础上，同时引入了多项关键创新。模型架构包含以下组件：
- 主干网络：负责特征提取，YOLOv10 中的主干网络采用了增强版的 CSPNet（Cross Stage Partial Network），以改善梯度流并减少计算冗余。
- Neck：该颈部结构旨在聚合来自不同尺度的特征并将其传递给头部。它包含用于有效多尺度特征融合的 PAN（路径聚合网络）层。
- One-to-Many Head：在训练期间为每个物体生成多个预测，以提供丰富的监督信号并提高学习准确度。
- One-to-One Head：在推理期间为每个物体生成单个最佳预测，从而消除对 NMS 的需求，进而降低延迟并提高效率。
主要特性#
- 无 NMS 训练：利用一致性双重分配来消除对 NMS 的需求，从而减少推理延迟。
- Holistic Model Design：从效率和准确度角度对各种组件进行全面优化，包括轻量级分类头、空间通道解耦下采样和基于等级引导的块设计。
- 增强的模型功能：集成了大核卷积和局部自注意力模块，在没有显著计算成本的情况下提高性能。
模型变体#
YOLOv10 提供多种模型尺度，以满足不同的应用需求：
- YOLOv10n：适用于资源极其受限环境的 Nano 版本。
- YOLOv10s：平衡速度和准确度的 Small 版本。
- YOLOv10m：适用于通用目的的 Medium 版本。
- YOLOv10b：通过增加宽度以获得更高准确度的平衡版本。
- YOLOv10l：以增加计算资源为代价获得更高准确度的 Large 版本。
- YOLOv10x：用于实现最大准确度和性能的 Extra-large 版本。
性能#
在准确率和效率方面，YOLOv10 优于以前的 YOLO 版本和其他先进模型。例如，在 COCO 数据集上具有相似 AP 的情况下，YOLOv10s 的速度比RT-DETR-R18 快 1.8 倍，而 YOLOv10b 在性能相同的情况下，延迟降低了 46%，参数减少了 25%（与YOLOv9-C相比）。
延迟是在 T4 GPU 上使用 TensorRT FP16 测量的。
| 模型 | 输入大小 | APval | FLOPs (G) | 延迟 (ms) |
|---|---|---|---|---|
| [YOLOv10n][1] | 640 | 38.5 | 6.7 | 1.84 |
| [YOLOv10s][2] | 640 | 46.3 | 21.6 | 2.49 |
| [YOLOv10m][3] | 640 | 51.1 | 59.1 | 4.74 |
| [YOLOv10b][4] | 640 | 52.5 | 92.0 | 5.74 |
| [YOLOv10l][5] | 640 | 53.2 | 120.3 | 7.28 |
| [YOLOv10x][6] | 640 | 54.4 | 160.4 | 10.70 |
方法论#
用于 NMS-Free 训练的一致性双重分配#
YOLOv10 采用双标签分配，在训练期间结合多对一和一对一策略，以确保丰富的监督和高效的端到端部署。一致的匹配度量对齐了两种策略之间的监督，从而在推理过程中提高了预测质量。
整体效率-准确率驱动的模型设计#
效率提升#
- 轻量级分类头：通过使用深度可分离卷积来减少分类头的计算开销。
- 空间通道解耦下采样：将空间缩减和通道调制解耦，以最大限度地减少信息丢失和计算成本。
- 等级引导的块设计：根据内在的阶段冗余调整块设计，确保最佳的参数利用率。
准确度提升#
- 大核卷积：扩大感受野以增强特征提取能力。
- 部分自注意力 (PSA)：结合自注意力模块以在最小开销下改进全局表征学习。
实验与结果#
YOLOv10 已在 COCO 等标准基准测试中进行了广泛测试，表现出卓越的性能和效率。该模型在不同的变体中实现了先进的结果，与以前的版本和其他现代检测器相比，在延迟和准确率方面显示出显着的改进。
对比#
与其他最先进的检测器相比：
- YOLOv10s / x 比 RT-DETR-R18 / R101 快 1.8 倍 / 1.3 倍，且准确度相似
- YOLOv10b 在相同准确度下，参数比 YOLOv9-C 少 25%，延迟降低 46%
- YOLOv10l / x 优于 YOLOv8l / x 0.3 AP / 0.5 AP，参数减少 1.8× / 2.3×
以下是 YOLOv10 变体与其他最先进模型的详细对比：
| 模型 | 参数 (M) | FLOPs (G) | mAPval 50-95 | 延迟 (ms) | 前向延迟 (ms) |
|---|---|---|---|---|---|
| YOLOv6-3.0-N | 4.7 | 11.4 | 37.0 | 2.69 | 1.76 |
| Gold-YOLO-N | 5.6 | 12.1 | 39.6 | 2.92 | 1.82 |
| YOLOv8n | 3.2 | 8.7 | 37.3 | 6.16 | 1.77 |
| YOLOv10n | 2.3 | 6.7 | 39.5 | 1.84 | 1.79 |
| YOLOv6-3.0-S | 18.5 | 45.3 | 44.3 | 3.42 | 2.35 |
| Gold-YOLO-S | 21.5 | 46.0 | 45.4 | 3.82 | 2.73 |
| YOLOv8s | 11.2 | 28.6 | 44.9 | 7.07 | 2.33 |
| YOLOv10s | 7.2 | 21.6 | 46.8 | 2.49 | 2.39 |
| RT-DETR-R18 | 20.0 | 60.0 | 46.5 | 4.58 | 4.49 |
| YOLOv6-3.0-M | 34.9 | 85.8 | 49.1 | 5.63 | 4.56 |
| Gold-YOLO-M | 41.3 | 87.5 | 49.8 | 6.38 | 5.45 |
| YOLOv8m | 25.9 | 78.9 | 50.6 | 9.50 | 5.09 |
| YOLOv10m | 15.4 | 59.1 | 51.3 | 4.74 | 4.63 |
| YOLOv6-3.0-L | 59.6 | 150.7 | 51.8 | 9.02 | 7.90 |
| Gold-YOLO-L | 75.1 | 151.7 | 51.8 | 10.65 | 9.78 |
| YOLOv8l | 43.7 | 165.2 | 52.9 | 12.39 | 8.06 |
| RT-DETR-R50 | 42.0 | 136.0 | 53.1 | 9.20 | 9.07 |
| YOLOv10l | 24.4 | 120.3 | 53.4 | 7.28 | 7.21 |
| YOLOv8x | 68.2 | 257.8 | 53.9 | 16.86 | 12.83 |
| RT-DETR-R101 | 76.0 | 259.0 | 54.3 | 13.71 | 13.58 |
| YOLOv10x | 29.5 | 160.4 | 54.4 | 10.70 | 10.60 |
Params 和 FLOPs 值适用于 model.fuse() 之后的融合模型，该模型合并了 Conv 和 BatchNorm 层并删除了辅助的多对一检测头。预训练检查点保留了完整的训练架构，可能会显示更高的数值。
使用示例#
用于使用 YOLOv10 预测新图像。也可以通过 Ultralytics Platform 在云 GPU 上训练模型：
from ultralytics import YOLO
# Load a pretrained YOLOv10n model
model = YOLO("yolov10n.pt")
# Perform object detection on an image
results = model("image.jpg")
# Display the results
results[0].show()用于在自定义数据集上训练 YOLOv10：
from ultralytics import YOLO
# Load YOLOv10n model from scratch
model = YOLO("yolov10n.yaml")
# Train the model
model.train(data="coco8.yaml", epochs=100, imgsz=640)支持的任务和模式#
YOLOv10 模型系列提供了一系列模型，每个模型都针对高性能目标检测进行了优化。这些模型可满足不同的计算需求和准确率要求，使其适用于广泛的应用。
| 模型 | 文件名 | 任务 | 训练 | 验证 | 推理 | 导出 |
|---|---|---|---|---|---|---|
| YOLOv10 | yolov10n.pt yolov10s.pt yolov10m.pt yolov10l.pt yolov10x.pt | 目标检测 | ✅ | ✅ | ✅ | ✅ |
导出 YOLOv10#
由于 YOLOv10 引入了新操作，Ultralytics 目前并非支持所有导出格式。下表概述了使用 Ultralytics 成功为 YOLOv10 转换的格式。如果你能提供贡献更改以为 YOLOv10 添加对其他格式的导出支持，请随时发起拉取请求。
| 导出格式 | 导出支持 | 导出模型推理 | 注意事项 |
|---|---|---|---|
| TorchScript | ✅ | ✅ | 标准 PyTorch 模型格式。 |
| ONNX | ✅ | ✅ | 部署支持广泛。 |
| OpenVINO | ✅ | ✅ | 针对 Intel 硬件优化。 |
| TensorRT | ✅ | ✅ | 针对 NVIDIA GPU 优化。 |
| CoreML | ✅ | ✅ | 仅限 Apple 设备。 |
| TF SavedModel | ✅ | ✅ | TensorFlow 的标准模型格式。 |
| TF GraphDef | ✅ | ✅ | 旧版 TensorFlow 格式。 |
| LiteRT | ✅ | ✅ | 专为移动端、嵌入式设备和浏览器（LiteRT.js）进行了优化。 |
| TF Edge TPU | ✅ | ✅ | 专门针对 Google 的 Edge TPU 设备。 |
| PaddlePaddle | ❌ | ❌ | 在中国流行；全球支持较少。 |
| NCNN | ✅ | ❌ | 层 torch.topk 不存在或未注册 |
结论#
YOLOv10 通过解决以前 YOLO 版本的缺点并结合创新的设计策略，在其发布时为实时目标检测树立了新标准。其无 NMS 的方法开创了 YOLO 系列中的端到端目标检测。有关具有改进性能和无 NMS 推理的最新 Ultralytics 模型，请参阅 YOLO26。
引用与致谢#
我们要感谢来自清华大学的 YOLOv10 作者，感谢他们为 Ultralytics 框架做出的广泛研究和重大贡献：
@inproceedings{wang2024yolov10,
title={YOLOv10: Real-Time End-to-End Object Detection},
author={Wang, Ao and Chen, Hui and Liu, Lihao and Chen, Kai and Lin, Zijia and Han, Jungong and Ding, Guiguang},
booktitle={Advances in Neural Information Processing Systems},
doi = {10.52202/079017-3429},
url = {https://proceedings.neurips.cc/paper_files/paper/2024/file/c34ddd05eb089991f06f3c5dc36836e0-Paper-Conference.pdf},
volume={37},
pages={107984--108011},
year={2024}
}有关详细的实现、架构创新和实验结果，请参阅清华大学团队撰写的 YOLOv10 研究论文和 GitHub 仓库。
常见问题解答#
什么是 YOLOv10，它与之前的 YOLO 版本有何不同？#
由清华大学研究人员开发的 YOLOv10 为实时目标检测引入了几项关键创新。它通过在训练期间采用一致的双重分配和优化的模型组件，消除了对非极大值抑制（NMS）的需求，从而以较低的计算开销实现卓越的性能。有关其架构和关键功能的更多详细信息，请查看 YOLOv10 概述部分。
如何开始使用 YOLOv10 进行推理？#
为了方便推理，你可以使用 Ultralytics YOLO Python 库或命令行界面 (CLI)。以下是使用 YOLOv10 预测新图像的示例：
from ultralytics import YOLO
# Load the pretrained YOLOv10n model
model = YOLO("yolov10n.pt")
results = model("image.jpg")
results[0].show()有关更多使用示例，请访问我们的使用示例部分。
YOLOv10 提供哪些模型变体，它们的用途是什么？#
YOLOv10 提供多种模型变体以满足不同的使用场景：
- YOLOv10n：适用于资源极其受限的环境
- YOLOv10s：速度与精度的平衡
- YOLOv10m：通用用途
- YOLOv10b：更高的精度，增加了宽度
- YOLOv10l：以计算资源为代价的高精度
- YOLOv10x：极致的精度与性能
每个变体都专为不同的计算需求和准确率要求而设计，使其适用于各种应用。探索模型变体部分以了解更多信息。
YOLOv10 中的无 NMS 方法如何提高性能？#
YOLOv10 通过在训练中采用一致的双重分配，消除了推理期间对非极大值抑制（NMS）的需求。这种方法降低了推理延迟并提高了预测效率。该架构还包括一个用于推理的一对一头，确保每个目标获得单个最佳预测。有关详细说明，请参阅无 NMS 训练的一致性双重分配部分。
在哪里可以找到 YOLOv10 模型的导出选项？#
YOLOv10 支持几种导出格式，包括 TorchScript、ONNX、OpenVINO 和 TensorRT。但是，由于其新操作，Ultralytics 目前并非所有导出的格式都支持 YOLOv10。有关支持的格式的详细信息以及导出说明，请访问导出 YOLOv10部分。
YOLOv10 模型的性能基准是什么？#
YOLOv10 在准确率和效率方面均优于以前的 YOLO 版本和其他先进模型。例如，在 COCO 数据集上具有相似 AP 的情况下，YOLOv10s 的速度比 RT-DETR-R18 快 1.8 倍。在性能相同的情况下，YOLOv10b 显示出比 YOLOv9-C 低 46% 的延迟和少 25% 的参数。详细的基准测试可以在对比部分找到。