微型网站 源码,注册德国网站域名,重庆必去的10个景点,自建微网站服务器B站#xff1a;啥都会一点的研究生公众号#xff1a;啥都会一点的研究生 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#xff0c;引入了一种新的实时目标检测方法#xff0c;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… B站啥都会一点的研究生公众号啥都会一点的研究生 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 BackboneYOLOv10 中的骨干网负责特征提取使用增强版 CSPNetCross 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 PANPath 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 46YOLOv10-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