Handgelenksfrakturen sind bei Kindern sehr häufig und können ihre täglichen Aktivitäten erheblich beeinträchtigen, wie das Besuchen von Schule, die Teilnahme an Sportveranstaltungen und das Durchführen grundlegender Selbstversorgungsaufgaben. Wenn diese Frakturen nicht angemessen behandelt werden, können sie zu chronischen Schmerzen, einer eingeschränkten Handgelenkfunktionalität und anderen langfristigen Komplikationen führen. Kürzlich haben Fortschritte im Bereich der Objekterkennung ein großes Potenzial gezeigt, die Erkennung von Frakturen zu verbessern, wobei Systeme eine Genauigkeit erreichen konnten, die mit der oder sogar besser als die von menschlichen Radiologen ist. Die YOLO-Reihe hat insbesondere in diesem Bereich bemerkenswerte Erfolge verzeichnet. Diese Studie ist die erste, die verschiedene Varianten von YOLOv10 gründlich evaluiert, um ihre Leistung bei der Erkennung von kindlichen Handgelenksfrakturen unter Verwendung des GRAZPEDWRI-DX-Datensatzes zu bewerten. Sie untersucht, wie Änderungen in der Modellkomplexität, das Skalieren der Architektur und die Implementierung einer Doppellabelzuordnungstrategie die Erkennungsleistung verbessern können. Die experimentellen Ergebnisse zeigen, dass unser trainiertes Modell einen durchschnittlichen Präzisionswert (mAP@50-95) von 51,9 % erreicht hat, was den aktuellen YOLOv9-Standard von 43,3 % auf diesem Datensatz übertreffen konnte. Dies stellt eine Verbesserung um 8,6 % dar. Der Implementierungscode ist öffentlich verfügbar unter https://github.com/ammarlodhi255/YOLOv10-Fracture-Detection.