YOLOv10

YOLOv10 是 Ultralytics 发布的实时目标检测模型，采用无 NMS（Non-Maximum Suppression）训练和一致双重分配（Consistent Dual Assignments）策略，在保持高精度的同时显著提升了推理速度。

模型描述

YOLOv10 针对实时端到端目标检测进行了优化，通过消除训练过程中对 NMS 的依赖，并引入一致双重分配策略，实现了检测效率和准确度的最佳平衡。该模型在 COCO 数据集上进行了训练，适用于各种实时检测场景。

模型资源

• 开发组织: Ultralytics
• 官方文档: https://docs.ultralytics.com/zh/models/yolov10/
• HuggingFace 仓库: ultralytics/yolov10

使用方法

使用 Ultralytics 库加载和运行 YOLOv10：

from ultralytics import YOLO

# 加载预训练模型
model = YOLO("yolov10n.pt")

# 进行推理
results = model("image.jpg")

# 导出模型
model.export(format="onnx")

模型变体

YOLOv10 提供多种尺度的模型变体，以满足不同的速度和精度需求：

主要特性

• 无 NMS 训练：在训练阶段消除对非极大值抑制的依赖，降低推理延迟
• 一致双重分配：为无 NMS 训练提供一致的双重标签分配策略
• 实时性能：针对边缘设备和实时应用进行了优化
• 高精度：在标准目标检测基准上保持领先的准确度

昇腾 NPU 适配

该模型可在华为昇腾 NPU（Ascend 910 系列）上通过 PyTorch / torch_npu 进行推理。相关优化和验证方法可参考昇腾模型迁移与性能优化工具链。

许可证

本项目采用 AGPL-3.0 许可证发布。

引用

如果您在研究或项目中使用了 YOLOv10，请引用：

@article{yolov10,
  title={YOLOv10: Real-Time End-to-End Object Detection},
  author={Ao Wang, Li Hao, Yuehan Yao, et al.},
  journal={arXiv preprint arXiv:2405.14458},
  year={2024}
}