YOLOv10详解与总结_yolov10不同版本

前言
YOLOv10 由清华大学研究人员在 Ultralytics版基础上进行进一步开发，引入了一种新的实时目标检测方法，解决了以前版本 YOLO 在后处理和模型架构方面的不足。通过消除非最大抑制（NMS）和优化各种模型组件，YOLOv10 在显著降低计算开销的同时实现了最先进的性能。广泛的实验证明，YOLOv10 在多个模型尺度上实现了卓越的精度-延迟权衡

Code | https://github.com/THU-MIG/yolov10
PDF  | https://arxiv.org/abs/2405.14458

概述
实时物体检测旨在以较低的延迟准确预测图像中的物体类别和位置。YOLO 系列在性能和效率之间取得了平衡，因此一直处于这项研究的前沿。然而，对 NMS 的依赖和架构上的低效阻碍了最佳性能的实现。YOLOv10 通过为无 NMS 训练引入一致的双重分配和以效率-准确性为导向的整体模型设计策略，解决了这些问题

模型架构
YOLOv10 的架构借鉴了以往 YOLO 模型的优点，同时引入了几项关键创新。模型架构由以下部分组成：

Backbone：YOLOv10 中的骨干网负责特征提取，使用增强版 CSPNet（Cross Stage Partial Network）来改善梯度流并减少计算冗余
Neck：颈部用于汇聚不同尺度的特征，并将其传递给头部。它包括 PAN（Path Aggregation Network）层，可实现有效的多尺度特征融合
One-to-Many Head：在训练过程中为每个对象生成多个预测，以提供丰富的监督信号并提高学习准确性
One-to-One Head：在推理过程中为每个对象生成一个最佳预测，从而消除对 NMS 的需求，减少延迟并提高效率
核心特点
NMS-Free Training：利用一致的双重分配来消除对 NMS 的需求，从而减少推理延迟

Holistic Model Design：从效率和准确性的角度对各种组件进行全面优化，包括轻量级分类头、空间通道去耦向下采样和等级引导块设计

Enhanced Model Capabilities：纳入大核卷积和部分自注意模块，在不增加大量计算成本的情况下提高性能

模型型号
YOLOv10 有多种型号，可满足不同的应用需求

YOLOv10-N：纳米版本，适用于资源极其有限的环境
YOLOv10-S：兼顾速度和精度的小型版本
YOLOv10-M：通用的中型版本
YOLOv10-B：平衡型，宽度增加，精度更高
YOLOv10-L：大型版本，精度更高，但计算资源增加
YOLOv10-X：超大型版本可实现最高精度和性能
性能
在准确性和效率方面，YOLOv10 优于以前的 YOLO 版本和其他最先进的模型。例如，在 COCO 数据集上，YOLOv10-S 比具有类似 AP 的 RT-DETR-R18 快 1.8 倍；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

方法
一致的双重分配，实现无 NMS 训练
YOLOv10 采用双重标签分配，在训练过程中将一对多和一对一策略结合起来，以确保丰富的监督和高效的端到端部署。一致匹配度量可调整两种策略之间的监督，从而提高推理过程中的预测质量

效率-准确度驱动的整体模型设计
效率提升
Lightweight Classification Head：通过使用深度可分离卷积，减少分类头的计算开销
Spatial-Channel Decoupled Down sampling：解耦空间缩减和信道调制，最大限度地减少信息损失和计算成本
Rank-Guided Block Design：根据内在阶段冗余调整块设计，确保最佳参数利用
精度提升
Large-Kernel Convolution：扩大感受野以增强特征提取能力。
Partial Self-Attention (PSA)：整合自注意模块，以最小的开销改进全局表征学习
实验和结果
YOLOv10 在 COCO 等标准基准上进行了广泛测试，显示出卓越的性能和效率。该模型在不同的变体中都取得了最先进的结果，与以前的版本和其他当代探测器相比，在延迟和准确性方面都有显著提高

在精度相似的情况下，YOLOv10-S / X 比 RT-DETR-R18 / R101 快 1.8 倍 / 1.3 倍
在精度相同的情况下，YOLOv10-B 的参数比 YOLOv9-C 少 25%，延迟比 YOLOv9-C 低 46
YOLOv10-L / X 的性能比 YOLOv8-L / X 高 0.3 AP / 0.5 AP，参数少 1.8 倍 / 2.3 倍