首先推荐一下我的YOLOv8/v10项目，仅需一个v8的钱（69.9），付费进群，即可获取v8/v10的全部改进，欢迎进群。
1 YOLOv10简介
论文链接：https://arxiv.org/pdf/2405.14458
官方代码链接：https://github.com/THU-MIG/yolov10
本文代码链接：https://github.com/ultralytics/ultralytics
论文摘要：
在过去的几年里，由于有效的平衡了计算成本和检测性能，YOLO已经成为实时目标检测领域的主导范式。研究人员对yolo的架构设计、优化目标、数据增强策略等进行了探索，并取得了显著进展。然而，后处理中依赖的非最大抑制(NMS)阻碍了yolo的端到端部署，并对产生推理延迟。此外，YOLO中各部件的设计缺乏全面的检查，导致计算冗余明显，限制了模型的能力。它提供了次优的效率，以及相当大的性能改进潜力。在这项工作中，我们的目标是从后处理和模型架构两个方面进一步推进YOLO模型的性能效率边界。为此，我们首先提出了一种一致的双任务方法，用于无nms训练的YOLOs，它具有优良的性能和较低的推理延迟。此外，我们还提出了整体效率-精度驱动的模型设计策略。我们从效率和精度两个角度对YOLOs的各个组成部分进行了全面优化，大大降低了计算开销，增强了性能。我们的努力成果是用于实时端到端目标检测的新一代YOLO系列，称为YOLOv10。大量的实验表明，YOLOv10在各种模型尺度上都达到了最先进的性能和效率。例如，YOLOv10-S在COCO上类似的AP下比RT-DETR-R18快1.8倍，同时参数数量和FLOPs减少2.8倍。与YOLOv9-C相比，在相同性能下，YOLOv10-B的延迟减少了46%，参数减少了25%。
YOLOv10创新点简述：
在YOLOv8的基础上取消了NMS，提出了新模块CfCIB, 基础框架仍为YOLOv8。
2 作者所用方法
作者提出了一种无NMS训练策略，通过双重标签分配和一致的匹配度量，实现了高效率和准确率。
双重标签分配策略：简单点说就是为yolo加入了另一个一对一的检测头。它保留了与原始一对多分支相同的结构和优化目标，但利用一对一匹配来获得标签分配。在训练过程中，两个头部与模型共同优化，使主干和颈部网络享受到一对多分配所提供的丰富监督。在推理过程中，抛弃了一对多的检测头，利用一对一检测头进行预测。
一致的匹配度量：为了使两个分支在训练过程中保持一致，作者采用了一致的匹配度量。匹配度量用于评估预测边界框与真实边界框之间的一致性。
The compact inverted block (CIB)和The partial self-attention module (PSA).
3 YOLOv10使用教程
3.1 模型训练
前往上方提供的链接下载代码，本文教程演示代码链接：ultralytics
解压并使用Pycharm（或者VsCode等软件）打开。准备一个数据集或点击此链接下载：https://pan.baidu.com/s/ ，新建一个train.py脚本，并选择配置好的torch环境，并修改相关信息。此处我使用的epochs值为10，读者可自行调大epochs（训练次数）的值，使得模型达到更好的效果。
from ultralytics.models import YOLO
import os
os.environ['KMP_DUPLICATE_LIB_OK'] = 'True'if __name__ == '__main__':model = YOLO(model='ultralytics/cfg/models/v10/yolov10n.yaml')# model.load('yolov10n.pt')model.train(pretrained=True, data='./data.yaml', epochs=10, batch=1, device='0', imgsz=640, workers=2, cache=False,amp=True, mosaic=False, project='runs/train', name='exp')
运行脚本，显示模型信息。
训练完成。
3.2 模型验证
创建val脚本，并填入图中代码，运行脚本即可获得相关性能指标。
from ultralytics.models import YOLO
import os
os.environ['KMP_DUPLICATE_LIB_OK'] = 'True'if __name__ == '__main__':model = YOLO(model='./runs/train/exp/weights/best.pt')model.val(data='./data.yaml', batch=5, device='0', imgsz=640, workers=2, project='runs/val/', name='exp')
3.3 模型推理
创建检测脚本，并填入相关信息，运行即可进行检测。
from ultralytics.models import YOLOif __name__ == '__main__':model = YOLO(model='./yolov8n.pt')results = model('ultralytics/assets/bus.jpg')# Process results listfor result in results:boxes = result.boxesresult.show()result.save(filename="./runs/detect/result.jpg") # save to disk检测效果演示，以下为使用yolov8n.pt检测的结果，读者可使用相关训练好的权重检测相应图片。
欢迎关注