YOLOv10：实时端到端目标检测#

YOLOv10 于 2024 年 5 月发布，由清华大学的研究人员基于 Ultralytics Python 包构建，提出了一种全新的实时目标检测方法，解决了以往 YOLO 版本在后处理和模型架构方面的不足。通过移除非极大值抑制 (NMS) 并优化多个模型组件，YOLOv10 在发布时以显著降低的计算开销实现了出色的性能。其无需 NMS 的端到端设计开创了一种新方法，并在 YOLO26 中得到进一步发展。

概述#

实时目标检测旨在以较低延迟准确预测图像中物体的类别和位置。YOLO 系列因在性能与效率之间取得平衡，一直处于这项研究的前沿。然而，对 NMS 的依赖和架构效率低下的问题阻碍了性能达到最佳水平。YOLOv10 通过引入一致双重分配来支持无 NMS 训练，并采用以效率和精度为导向的整体模型设计策略，从而解决了这些问题。

架构#

YOLOv10 的架构在发挥以往 YOLO 模型优势的基础上，引入了多项关键创新。模型架构由以下组件构成：

1. 主干网络：负责特征提取；YOLOv10 的主干网络采用增强版 CSPNet（跨阶段局部网络），以改善梯度流并减少计算冗余。
2. 颈部网络：颈部网络旨在聚合不同尺度的特征，并将其传递给检测头。它包含 PAN（路径聚合网络）层，用于有效融合多尺度特征。
3. 一对多检测头：在训练过程中为每个物体生成多个预测结果，以提供丰富的监督信号并提高学习精度。
4. 一对一检测头：在推理期间为每个目标生成一个最佳预测，无需使用 NMS，从而降低延迟并提高效率。

主要功能#

1. 无 NMS 训练：使用一致的双重分配策略，无需使用 NMS，从而降低推理延迟。
2. 整体模型设计：从效率和准确率两个角度全面优化各个组件，包括轻量级分类头、空间与通道解耦下采样，以及秩引导的模块设计。
3. 增强模型能力：采用大核卷积和部分自注意力模块，在不显著增加计算成本的情况下提升性能。

模型变体#

YOLOv10 提供多种模型规模，以满足不同应用需求：

• YOLOv10n：Nano 版本，适用于资源极其受限的环境。
• YOLOv10s：Small 版本，兼顾速度与准确率。
• YOLOv10m：Medium 版本，适用于通用场景。
• YOLOv10b：加宽的平衡版本，可实现更高准确率。
• YOLOv10l：Large 版本，以增加计算资源为代价实现更高准确率。
• YOLOv10x：Extra-large 版本，提供最高准确率和性能。

性能#

在准确率和效率方面，YOLOv10 优于之前的 YOLO 版本和其他先进模型。例如，在 COCO 数据集上，YOLOv10s 的速度比 RT-DETR-R18 快 1.8 倍，AP 相近；YOLOv10b 的延迟比 YOLOv9-C 低 46%，参数量少 25%，性能相同。

方法#

用于无 NMS 训练的一致双重分配策略#

YOLOv10 使用双重标签分配策略，在训练期间结合一对多和一对一策略，以确保充分监督并实现高效的端到端部署。Ultralytics 的预测和验证默认使用带 NMS 的一对多检测头；设置 nms=False 即可选择无 NMS 检测头。一致的匹配指标使两种策略的监督保持一致，从而提升推理时预测的质量。

整体效率-准确率驱动的模型设计#

效率提升#

1. 轻量级分类头：通过使用深度可分离卷积，降低分类头的计算开销。
2. 空间与通道解耦下采样：将空间缩减与通道调制解耦，以尽量减少信息损失和计算成本。
3. 秩引导的模块设计：根据各阶段的内在冗余程度调整模块设计，确保参数得到最佳利用。

准确率提升#

1. 大核卷积：扩大感受野，增强特征提取能力。
2. 部分自注意力 (PSA)：引入自注意力模块，以极低的额外开销提升全局表征学习能力。

实验与结果#

YOLOv10 已在 COCO 等标准基准上进行了广泛测试，展现出卓越的性能和效率。该模型的不同变体均取得了先进水平的结果；与之前的版本和其他同期检测器相比，延迟和准确率均有显著提升。

比较#

与其他先进检测器相比：

• YOLOv10s / x 的速度分别比 RT-DETR-R18 / R101 快 1.8× / 1.3×，准确率相近
• 在准确率相同的情况下，YOLOv10b 的参数量比 YOLOv9-C 少 25%，延迟低 46%
• YOLOv10l / x 的表现优于 YOLOv8l / x，AP 分别高出 0.3 / 0.5，参数量则分别少 1.8× / 2.3×

参数量和 FLOPs 数值针对执行 model.fuse() 后的融合模型；此操作会合并 Conv 和 BatchNorm 层，并移除辅助的一对多检测头。预训练检查点保留完整的训练架构，因此显示的数值可能更高。

使用示例#

你也可以通过 Ultralytics Platform 使用云端 GPU 训练模型。使用 YOLOv10 对新图像进行预测：

from ultralytics import YOLO

# 加载预训练的 YOLOv10n 模型
model = YOLO("yolov10n.pt")

# 对图像执行目标检测
results = model("image.jpg")

# 显示结果
results[0].show()

在自定义数据集上训练 YOLOv10：

from ultralytics import YOLO

# 从头开始加载 YOLOv10n 模型
model = YOLO("yolov10n.yaml")

# 训练模型
model.train(data="coco8.yaml", epochs=100, imgsz=640)

支持的任务和模式#

YOLOv10 系列提供多种模型，每种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，适用于广泛的应用场景。

导出 YOLOv10#

由于 YOLOv10 引入了新的运算，目前 Ultralytics 提供的导出格式并非全部受支持。下表列出了已使用 Ultralytics 成功转换为 YOLOv10 的格式。如果你能为 YOLOv10 增加其他格式的导出支持，欢迎提交拉取请求来贡献代码。

结论#

YOLOv10 发布时，通过解决之前 YOLO 版本的不足并采用创新的设计策略，为实时目标检测树立了新标准。其无 NMS 方法开创了 YOLO 系列的端到端目标检测。要了解性能更出色且支持无 NMS 推理的最新 Ultralytics 模型，请参阅 YOLO26。

引用与致谢#

我们谨此感谢来自清华大学的 YOLOv10 作者，他们进行了广泛研究，并为 Ultralytics 框架作出了重要贡献：

@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}
}

如需了解详细实现、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 代码库。

常见问题#