使用 YOLOv10 预测新图像:
示例
用于在自定义数据集上训练 YOLOv10:
示例
YOLOv10 型号系列提供一系列型号,每种型号都针对高性能 目标检测进行了优化。这些模型可满足不同的计算需求和精度要求,使其适用于各种应用。
模型 | 文件名 | 任务 | 推论 | 验证 | 培训 | 出口 |
---|---|---|---|---|---|---|
YOLOv10 | yolov10n.pt yolov10s.pt yolov10m.pt yolov10l.pt yolov10x.pt | 物体检测 | ✅ | ✅ | ✅ | ✅ |
由于 YOLOv10 引入了新操作,并非所有导出格式都由 Ultralytics 目前受支持。下表概述了已成功转换的格式 Ultralytics 对于 YOLOv10。如果您能够 提供贡献更改 以添加对 YOLOv10 的其他格式的导出支持,请随时打开拉取请求。
导出格式 | Export Support | Exported Model Inference | 说明 |
---|---|---|---|
TorchScript | ✅ | ✅ | Standard PyTorch model format. |
ONNX | ✅ | ✅ | Widely supported for deployment. |
OpenVINO | ✅ | ✅ | Optimized for Intel hardware. |
TensorRT | ✅ | ✅ | Optimized for NVIDIA GPUs. |
CoreML | ✅ | ✅ | Limited to Apple devices. |
TF SavedModel | ✅ | ✅ | TensorFlow's standard model format. |
TF GraphDef | ✅ | ✅ | Legacy TensorFlow format. |
TF 轻型 | ✅ | ✅ | Optimized for mobile and embedded. |
TF 边缘TPU | ✅ | ✅ | Specific to Google's Edge TPU devices. |
TF.js | ✅ | ✅ | JavaScript environment for browser use. |
PaddlePaddle | ❌ | ❌ | Popular in China; less global support. |
NCNN | ✅ | ❌ | Layer torch.topk 不存在或未注册 |
YOLOv10 解决了以前YOLO 版本的不足之处,并采用了创新的设计策略,为实时目标检测设定了新标准。YOLOv10 能够以较低的计算成本实现较高的精确度,是各种实际应用的理想选择。
我们要感谢清华大学YOLOv10 的作者们,感谢他们的广泛研究和对框架的重要贡献。 Ultralytics框架做出的重要贡献:
有关详细实现、架构创新和实验结果,请参阅清华大学团队的 YOLOv10研究论文和GitHub 存储库。
由清华大学研究人员开发的 YOLOv10 为实时目标检测引入了多项关键创新。它通过在训练过程中采用一致的双重分配和优化的模型组件,消除了对非最大抑制(NMS)的需求,从而在降低计算开销的同时实现了卓越的性能。有关其架构和主要功能的详细信息,请查看YOLOv10 概述部分。
为了方便推理,您可以使用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:
示例
有关更多使用示例,请访问我们的 "使用示例"部分。
YOLOv10 提供多种型号,以满足不同的使用情况:
每个变体都针对不同的计算需求和精度要求而设计,因此可用于各种应用。了解更多信息,请浏览模型变体部分。
YOLOv10 通过在训练中采用一致的双重分配,消除了推理过程中对非最大抑制(NMS)的需求。这种方法减少了推理延迟,提高了预测效率。该架构还包括一对一的推理头,确保每个对象都能获得单一最佳预测。有关详细解释,请参阅 "无 NMS 训练的一致双分配"部分。
YOLOv10 支持多种导出格式,包括TorchScript,ONNX,OpenVINO 和TensorRT 。不过,由于Ultralytics 提供的新操作,YOLOv10 目前并不支持所有导出格式。有关支持格式和导出说明的详细信息,请访问导出 YOLOv10部分。
YOLOv10 在准确性和效率方面都优于YOLO 以前的版本和其他最先进的模型。例如,在 COCO 数据集上,YOLOv10-S 的速度是RT-DETR-R18 的 1.8 倍,而 AP 却与之相似。在性能相同的情况下,YOLOv10-B 比 YOLOv9-C 减少了 46% 的延迟和 25% 的参数。详细的基准测试结果请参见 "比较"部分。