划重点:
🔥 YOLOv10是一种实时识别物体的模型，v10相比v9版本，参数降低25%，识别延迟减少46%。
🔥 YOLOv10通过消除非最大抑制（NMS）的依赖性，实现了无 NMS 的训练和低推理延迟。
🔥 YOLOv10采用了综合的效率 - 准确性驱动模型设计策略，从效率和准确性两个角度对 YOLOs 的各个组件进行了全面优化。
站长之家（ChinaZ.com）5月27日 消息:YOLOv10是一种实时识别物体的模型，在计算成本和检测性能之间取得了有效平衡。近年来，研究人员在 YOLOs 的架构设计、优化目标、数据增强策略等方面进行了探索，取得了显著进展。
然而，对于 YOLOs 的后处理阶段依赖非最大抑制（NMS）的做法阻碍了其端到端的部署，并且对推理延迟产生了不利影响。此外，YOLOs 中各个组件的设计缺乏全面而彻底的检查，导致了明显的计算冗余，限制了模型的能力。这使得效率不够优化，并且存在较大的性能改进潜力。
为了进一步推进 YOLOs 的性能 - 效率边界，研究人员从后处理和模型架构两个方面进行了努力。首先，他们提出了无 NMS 训练的一致双重分配方法，同时实现了竞争性的性能和低推理延迟。此外，他们引入了综合的效率 - 准确性驱动模型设计策略。从效率和准确性两个角度全面优化了 YOLOs 的各个组件，大大降低了计算开销并增强了模型的能力。
最终，他们推出了一种新一代的 YOLO 系列算法，命名为 YOLOv10。广泛的实验证明，YOLOv10在各种模型规模上都实现了最先进的性能和效率。例如，相对于 RT-DETR-R18，我们的 YOLOv10-S 在 COCO 上实现了1.8倍的速度提升，并且参数和 FLOPs 的数量减少了2.8倍。相比于 YOLOv9-C，YOLOv10-B 在相同性能下的延迟降低了46%，参数数量减少了25%。
通过消除 NMS 的依赖性，优化模型架构设计，YOLOv10在实时端到端目标检测领域取得了显著的性能和效率提升。这对于实际应用中的目标检测任务具有重要意义。
产品入口:https://top.aibase.com/tool/yolov10-