劃重點(diǎn):

?? YOLOv10是一種實(shí)時(shí)識(shí)別物體的模型，v10相比v9版本，參數(shù)降低25%，識(shí)別延遲減少46%。

?? YOLOv10通過(guò)消除非最大抑制（NMS）的依賴性，實(shí)現(xiàn)了無(wú) NMS 的訓(xùn)練和低推理延遲。

?? YOLOv10采用了綜合的效率 - 準(zhǔn)確性驅(qū)動(dòng)模型設(shè)計(jì)策略，從效率和準(zhǔn)確性兩個(gè)角度對(duì) YOLOs 的各個(gè)組件進(jìn)行了全面優(yōu)化。

站長(zhǎng)之家（ChinaZ.com）5月27日 消息:YOLOv10是一種實(shí)時(shí)識(shí)別物體的模型，在計(jì)算成本和檢測(cè)性能之間取得了有效平衡。近年來(lái)，研究人員在 YOLOs 的架構(gòu)設(shè)計(jì)、優(yōu)化目標(biāo)、數(shù)據(jù)增強(qiáng)策略等方面進(jìn)行了探索，取得了顯著進(jìn)展。

然而，對(duì)于 YOLOs 的后處理階段依賴非最大抑制（NMS）的做法阻礙了其端到端的部署，并且對(duì)推理延遲產(chǎn)生了不利影響。此外，YOLOs 中各個(gè)組件的設(shè)計(jì)缺乏全面而徹底的檢查，導(dǎo)致了明顯的計(jì)算冗余，限制了模型的能力。這使得效率不夠優(yōu)化，并且存在較大的性能改進(jìn)潛力。

為了進(jìn)一步推進(jìn) YOLOs 的性能 - 效率邊界，研究人員從后處理和模型架構(gòu)兩個(gè)方面進(jìn)行了努力。首先，他們提出了無(wú) NMS 訓(xùn)練的一致雙重分配方法，同時(shí)實(shí)現(xiàn)了競(jìng)爭(zhēng)性的性能和低推理延遲。此外，他們引入了綜合的效率 - 準(zhǔn)確性驅(qū)動(dòng)模型設(shè)計(jì)策略。從效率和準(zhǔn)確性兩個(gè)角度全面優(yōu)化了 YOLOs 的各個(gè)組件，大大降低了計(jì)算開(kāi)銷并增強(qiáng)了模型的能力。

最終，他們推出了一種新一代的 YOLO 系列算法，命名為 YOLOv10。廣泛的實(shí)驗(yàn)證明，YOLOv10在各種模型規(guī)模上都實(shí)現(xiàn)了最先進(jìn)的性能和效率。例如，相對(duì)于 RT-DETR-R18，我們的 YOLOv10-S 在 COCO 上實(shí)現(xiàn)了1.8倍的速度提升，并且參數(shù)和 FLOPs 的數(shù)量減少了2.8倍。相比于 YOLOv9-C，YOLOv10-B 在相同性能下的延遲降低了46%，參數(shù)數(shù)量減少了25%。

通過(guò)消除 NMS 的依賴性，優(yōu)化模型架構(gòu)設(shè)計(jì)，YOLOv10在實(shí)時(shí)端到端目標(biāo)檢測(cè)領(lǐng)域取得了顯著的性能和效率提升。這對(duì)于實(shí)際應(yīng)用中的目標(biāo)檢測(cè)任務(wù)具有重要意義。

產(chǎn)品入口:https://top.aibase.com/tool/yolov10-

（舉報(bào)）