一句话总结

清华大学的研究人员提出了 YOLOv10，一种新的实时端到端目标检测框架，通过一致的双重分配机制消除了非极大值抑制（NMS），并采用整体效率-精度驱动的设计，在多个尺度上实现了最先进的速度、精度和模型紧凑性。其中，YOLOv10-S 比 RT-DETR-R18 快 1.8 倍，YOLOv10-B 相比 YOLOv9-C 延迟降低 46%。

主要贡献

• 本文解决了 YOLO 系列因依赖非极大值抑制（NMS）进行后处理而导致的效率低下问题，提出了一种一致的双重分配策略，实现无 NMS 训练，支持一对一标签分配和一致的匹配度量，从而在低推理延迟下实现端到端部署，并保持竞争力的精度。

• 提出了一种整体效率-精度驱动的模型设计策略，系统性地优化 YOLO 的关键组件，包括轻量级分类头、空间-通道解耦下采样、基于秩引导的模块设计，以及高效的局部自注意力模块，显著减少计算冗余的同时提升模型能力。

• 在 COCO 数据集上的大量实验表明，YOLOv10 实现了最先进的性能-效率权衡：YOLOv10-S 在相近 AP 水平下比 RT-DETR-R18 快 1.8 倍；YOLOv10-B 在相同性能下延迟降低 46%，参数减少 25%。

引言

研究人员利用 YOLO 基础目标检测器在自动驾驶、机器人等实时应用中的广泛部署，这些场景中精度与速度的平衡至关重要。先前的 YOLO 变体依赖非极大值抑制（NMS）进行后处理，引入延迟，阻碍端到端部署，并对超参数敏感。此外，YOLO 中的架构组件长期孤立优化，导致计算冗余和次优的效率与性能。为解决这些问题，研究人员提出 YOLOv10，新一代实时端到端检测器。其核心贡献包括：一种一致的双重分配策略，支持训练阶段的一对多监督与推理阶段的一对一预测，实现无 NMS 训练，确保高精度与低延迟。同时提出整体效率-精度驱动设计，集成轻量级分类头、空间-通道解耦下采样、基于秩引导的模块设计、大核卷积以及部分自注意力模块（PSA），以减少冗余并增强能力。结果表明，YOLOv10 在多个尺度上实现了最先进的精度-效率权衡，相比 YOLOv9 和 RT-DETR 等先前模型，在速度、参数量和 FLOPs 上均表现更优，同时保持或提升精度。

方法

研究人员采用双头架构，使 YOLO 模型实现无 NMS 训练，解决推理效率与性能之间的权衡。如图所示，该框架包含共享主干网络和 PAN（路径聚合网络）颈部，连接两个并行检测头。第一个为一对多头，在训练中通过将多个正预测分配给每个真实框，提供丰富的监督信号。第二个为一对一头，每个真实框仅分配一个预测，从而在推理阶段无需 NMS 后处理。两个头共享相同的网络结构和优化目标，但采用不同的标签分配策略。训练时，模型通过双头联合优化，使主干和颈部受益于一对多分支的丰富监督。推理时，一对多头被丢弃，仅由一对一头生成预测，实现端到端部署且无额外计算开销。该设计确保模型在训练中获得高精度，同时保持高推理效率。

为确保一对一头的优化与一对多头保持一致，研究人员引入了一致匹配度量。该度量定义为 $m = s \cdot p^\alpha \cdot \mathrm{IoU}(\hat{b}, b)^\beta$m=s⋅pα⋅IoU(b^,b)β，定量评估预测与真实框之间的匹配程度，其中 $p$p 为分类得分，$\hat{b}$b^ 和 $b$b 分别为预测与真实边界框，$s$s 为空间先验，表示锚点是否位于目标区域内，$\alpha$α 和 $\beta$β 为平衡分类与回归任务的超参数。研究人员为两个头采用统一的匹配度量，将一对一头的超参数（$\alpha_{o2o}, \beta_{o2o}$αo2o​,βo2o​）设置为与一对多头（$\alpha_{o2m}, \beta_{o2m}$αo2m​,βo2m​）成比例，具体为 $\alpha_{o2o} = r \cdot \alpha_{o2m}$αo2o​=r⋅αo2m​ 和 $\beta_{o2o} = r \cdot \beta_{o2m}$βo2o​=r⋅βo2m​。这确保一对多头的最佳正样本也是对头头的最佳正样本，协调两分支的优化过程，缩小监督差距。这种一致性对一对一头学习高质量预测至关重要，使其与一对多头的优异性能保持对齐。

实验

• YOLOv10 在所有模型尺度上均达到最先进的性能与端到端延迟表现，优于 YOLOv8、YOLOv6、YOLOv9、YOLO-MS、Gold-YOLO 和 RT-DETR。在 COCO 上，YOLOv10-N/S 相比 YOLOv6-3.0-N/S 实现 1.5/2.0 AP 提升，参数减少 51%/61%，计算量降低 41%/52%；YOLOv10-L 相比 Gold-YOLO-L 参数减少 68%，延迟降低 32%，AP 提升 1.4%；YOLOv10-S/X 在相近精度下分别比 RT-DETR-R18/R101 快 1.8× 和 1.3×。
• 消融实验表明，采用一致双重分配的无 NMS 训练使 YOLOv10-S 的端到端延迟降低 4.63ms，同时保持 44.3% AP；效率驱动设计使 YOLOv10-M 参数减少 11.8M，FLOPs 降低 20.8 GFLOPs，延迟减少 0.65ms。
• 一致匹配度量通过对齐一对多与一对一头之间的监督，优化了 AP-延迟权衡，消除了超参数调优的需要。
• 基于精度驱动的设计引入大核卷积与部分自注意力（PSA）模块，使 YOLOv10-S 的 AP 分别提升 0.4% 和 1.4%，延迟增加极小；PSA 相比 Transformer 块实现 0.3% AP 提升与 0.05ms 延迟降低。
• 基于秩引导的模块设计使高冗余阶段高效集成 CIB，未造成性能损失，显著提升模型效率。
• 训练成本分析显示，尽管训练 500 轮，YOLOv10 仍保持高吞吐量，无 NMS 训练仅增加 18s/轮开销，优于其他训练 300 轮的模型。
• 在 CPU（OpenVINO）上，YOLOv10 展现出最先进的性能-效率权衡。
• 可视化结果验证了模型在低光、旋转、密集目标等复杂场景下的鲁棒检测能力。

实验结果表明，双重标签分配与一致匹配度量显著改善了 AP-延迟权衡，当两者同时应用时达到最佳性能，实现 44.3% AP 与 2.44ms 延迟。消融研究进一步证明，效率驱动设计在保持竞争力性能的同时减少参数与 FLOPs，凸显所提架构改进的有效性。

研究人员对比了 YOLOv10-M 与其他 YOLO 变体的训练效率，结果显示 YOLOv10-M 实现了每小时 17.2 轮的高训练吞吐量，在 8 块 NVIDIA 3090 GPU 上总训练时间为 29.1 小时。这表明，尽管采用 500 轮训练，YOLOv10 的训练成本仍远低于其他模型，具有可接受的训练开销。

研究人员通过不同模型变体的对比，评估了所提出的紧凑反向块（CIB）设计的有效性。结果表明，基于 CIB 的模型相比 IRB-DW 提升 0.8% AP，同时保持相近延迟，证明该模块设计在不增加计算成本的前提下有效提升了性能。

研究人员展示了 YOLOv10 在不同尺度下的延迟结果，表明模型越大，推理延迟越高。YOLOv10-N 延迟最低，为 6.19ms；YOLOv10-X 延迟最高，达 14.67ms，呈现出模型规模与延迟正相关的清晰趋势。

研究人员通过消融实验评估了所提无 NMS 训练与一致双重分配对 YOLOv10-S 的影响。结果表明，该方法将模型 AP 从 43.7% 提升至 44.4%，延迟仅增加 0.03ms，体现了精度与速度之间极小的权衡。