손목 골절은 어린이들에게 매우 흔하며, 학교 출석, 스포츠 참여, 기본적인 자기 관리 활동 등 일상 생활에 큰 영향을 미칠 수 있습니다. 적절히 치료되지 않으면 이러한 골절은 만성 통증, 손목 기능 저하,以及其他长期并发症。最近，物体检测技术的进步在提高骨折检测方面显示出潜力，系统已经达到了与人类放射科医生相当甚至更高的准确性。特别是YOLO系列，在这一领域展示了显著的成功。本研究首次对各种YOLOv10变体进行了全面评估，以评估它们在使用GRAZPEDWRI-DX数据集检测儿童腕部骨折方面的性能。研究探讨了模型复杂性的变化、架构的缩放以及双标签分配策略的实施如何提高检测性能。实验结果显示，我们训练的模型在该数据集上的平均精度均值（mAP@50-95）达到了51.9%，超过了当前YOLOv9基准的43.3%。这代表了8.6%的改进。实现代码已公开发布在 https://github.com/ammarlodhi255/YOLOv10-Fracture-Detection。为了确保符合韩语表达习惯和科技新闻或学术写作的语言风格，以下是优化后的翻译：어린이에게서 손목 골절은 매우 흔하며, 학교 출석, 스포츠 참여, 기본적인 자기 관리 활동 등 일상생활에 큰 영향을 미칠 수 있습니다. 적절히 치료되지 않으면 이러한 골절은 만성 통증, 손목 기능 저하, 그리고 기타 장기적인 합병증을 초래할 수 있습니다. 최근 객체 검출 기술의 발전으로 골절 검출이 크게 개선될 가능성이 보여졌으며, 시스템들은 인간 방사선과 의사와 비등하거나 그 이상의 정확도를 달성하였습니다. 특히 YOLO 시리즈는 이 분야에서 뚜렷한 성공을 거두었습니다. 본 연구는 다양한 YOLOv10 변형 모델들을 평가하여 GRAZPEDWRI-DX 데이터셋을 사용해 소아 손목 골절 검출 성능을 평가하는 최초의 연구입니다. 연구에서는 모델 복잡도의 변화, 아키텍처의 스케일링 및 듀얼 라벨 할당 전략의 구현이 어떻게 검출 성능을 향상시키는지 조사하였습니다. 실험 결과, 우리 모델은 해당 데이터셋에서 평균 정밀도(mAP@50-95) 51.9%를 달성하여 현재 YOLOv9 벤치마크인 43.3%를 초과하였습니다. 이는 8.6%의 개선율을 나타냅니다. 구현 코드는 공개적으로 https://github.com/ammarlodhi255/YOLOv10-Fracture-Detection 에서 제공됩니다.