YOLOv10来了！

文章预览

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 YOL ………………………………