CV Method：YOLOv10 vs YOLOv8

---

前言

YOLOv10已经开源一段时间了，经过我实际使用测试，也确实性能更好一些，YOLOv10基于v8代码框架改进，so 之前v8可用的大部分trick在v10上可直接代码移植过去（我自己尝试了下，大部分code不需要改动，直接实现装备继承）。本文主要比较一下v10 和 v8之间的区别和改进。

---

一、介绍

yolov10最重要的point就是它的 NMS-free 检测功能，我们知道NMS是检测发展中重要的一环，yolov10通过one-to-onehead实现了不需要NFS的检测模型，这可以有效提升模型的执行速度。此外提升性能的trick还有——
Key features as follow：
1） 轻量分类head
2）空间-通道解藕下采样
3）rank-guided block design

二、YOLOv8 and YOLOv10 Comparison

1.模型结构

YOLOv8：

使用C2f模块完成多尺度特征交互，需要依赖NMS完成post process

YOLOv10：

neck部分采用简单的PAN模块，head部分使用两个一致的head，分别为One-to-many， 和 One-to-One。

One-to-many：在训练期间，多个预测框被分配给一个真实物体标签。这种策略提供了丰富的监督信号，优化效果更好。（此部分仍需使用NMS，比如取top100置信度的box）

One-to-One：仅一个预测框被分配给一个真实物体标签，避免了NMS，但由于监督信号较弱，容易导致收敛速度慢和性能欠佳。（该部分code实现中只需要取top1置信度的box即可（TAA分配算法中取top1），则不需要过NMS）

双头架构：模型在训练期间使用两个预测头，一个使用一对多分配，另一个使用一对一分配。这样，模型可以在训练期间利用一对多分配的丰富监督信号，而在推理期间则使用一对一分配的预测结果，从而实现无NMS的高效推理。

一致性度量: 为了在训练期间保持两个预测头的一致性，提出了一致匹配度量。通过调整匹配度量参数，使得一对一和一对多分配的监督信号一致，减少了训练期间的监督差距，提升了模型的预测质量。

整体优化：轻量级分类头和其他架构优化减少了计算冗余（such 使用depthwise & pointwise & 结构重参数化（类似repvgg）），另外一些很多结构化策略的设计还是很值得学习的，可以看看原文。

2. 推理和时延

在相同的COCO AP下，YOLOv10-S is 1.8× faster than RT-DETR-R18.

3. 检测表现

通过国外大佬的实际评测发现，V10在小目标检测上相比V8有着更好的效果。在V8中，针对小目标检测，通常需要调整box置信度阈值。V10由于one-to-one特性，只需要使用较低的阈值即可。

4. 参数利用

YOLOv10-B 相比YOLOv9-C 降低了46%的latency， 和25%的参数量，且有着相同的性能。

5. 关键比较

Speed and Efficiency: YOLOv10 由于NMS-free方法在后处理速度上优于yolov8，更适合real-time检测。

Detection Accuracy: v8和v10检测精度都很不错，但v10在小目标上有着更直观的优势。

Parameter Optimization: YOLOv10 由于更多结构优化，其参数量相比v8更少，模型更紧凑。

---

总结

v10有效解决了YOLO系列一直以来的限制，比如NMS，小目标检测问题，确实是很大的启发。v10是基于v8框架进行修改的，v8的框架确实很强大，同样很值得学习！