YOLO v10来了！清华接棒

文章预览

转自丨AI视界引擎 编辑丨极市平台 导读   与YOLOv9-C相比，YOLOv10-B在相同性能下延迟减少了46%，参数减少了25%。   论文地址： https://arxiv.org/pdf/2405.14458 项目地址： https://github.com/THU-MIG/yolov10 在过去几年中，YOLO系列模型已成为实时目标检测领域的主导范式，这得益于它们在计算成本和检测性能之间的有效平衡。研究行人探索了YOLOs的架构设计、优化目标、数据增强策略等，取得了显著的进展。然而，对非最大值抑制（NMS）的后处理依赖阻碍了YOLOs的端到端部署，并不利影响推理延迟。此外，YOLOs中各种组件的设计缺乏全面彻底的检查，导致明显的计算冗余并限制了模型的能力。这导致了次优的效率，同时存在相当大的性能提升潜力。 在这项工作中，作者从后处理和模型架构两方面进一步推进了YOLOs的性能效率边界。为此，作者首先提出了无需NMS训练的 ………………………………