基于yolov10的路面裂缝检测数据集训练模型对比

YOLOv9请移步
基于yolov9的路面裂缝检测数据集训练模型对比
YOLOv11请移步
基于yolov11的路面裂缝检测数据集训练模型对比

1.引言

目标检测是计算机视觉领域的核心任务之一，而YOLO（You Only Look Once）框架因其高效性与准确性成为该领域的代表性算法。自Redmon等人于2016年提出YOLOv1以来^[1]，该系列通过多尺度预测、特征金字塔网络等技术持续优化，在保持实时性的同时显著提升检测精度。作为单阶段检测器，YOLO通过端到端架构将目标定位与分类统一，在自动驾驶、工业质检等领域获得广泛应用。其设计思想对轻量化模型开发具有重要参考价值。

2.YOLOv10概述

YOLOv10是由清华大学研究团队提出的实时目标检测框架，通过消除非极大值抑制（NMS）依赖和优化模型架构实现了端到端检测能力。其核心技术包括一致双重分配策略（训练时一对多匹配提供丰富监督，推理时一对一匹配避免冗余预测）^[2]，以及效率-精度协同优化设计（轻量级分类头、空间-通道解耦下采样、大核卷积等）^[3]。该框架提供YOLOv10n/s/m/l/x五种变体，在COCO数据集上，YOLOv10-S比RT-DETR-R18快1.8倍且参数减少2.8倍，YOLOv10-B相比YOLOv9-C延迟降低46%^[4]，适用于自动驾驶、工业检测等实时场景。

3.实验设计

本文将对比YOLOv10中YOLOv10-n、YOLOv10-s、YOLOv10-l与YOLOv10-x四个参数模型在同一数据集与同样轮数下的性能表现。选择的数据集为河北工业大学开源，发表在Data in Brief期刊中的UAV-PDD2023数据集，其用于道路破损检测^[5-6]。数据集包含2440张三通道JPG格式图像，以及对应的VOC格式标注文件，图像规格为2592×1944，图像中标记了六种类型。

表1 模型训练参数

	YOLOv10-n	YOLOv10-s	YOLOv10-l	YOLOv10-x
训练轮数(epochs)	300	300	300	300
超参数(hyp)	YOLOv11 default	YOLOv11 default	YOLOv11 default	YOLOv11 default
权重模型	yolo10n.pt	yolo10s.pt	yolo10l.pt	yolo10x.pt
模型大小	5.5MB	15.7MB	49.7MB	61.1MB

4.实验结果

1.yolov10-n的混淆矩阵

2.yolov10-s的混淆矩阵

3.yolov10-l的混淆矩阵

4.yolov10-x的混淆矩阵

5.yolov10-n的F1值曲线

6.yolov10-s的F1值曲线

7.yolov10-l的F1值曲线

8.yolov10-x的F1值曲线

9.yolov10-n的Precision曲线

10.yolov10-s的Precision曲线

11.yolov10-l的Precision曲线

12.yolov10-x的Precision曲线

13.yolov10-n的PR曲线

14.yolov10-s的PR曲线

15.yolov10-l的PR曲线

16.yolov10-x的PR曲线

17.yolov10-n的Recall曲线

18.yolov10-s的Recall曲线

19.yolov10-l的Recall曲线

20.yolov10-x的Recall曲线

21.yolov10-n的训练识别可视化图

22.yolov10-s的训练识别可视化图

23.yolov10-l的训练识别可视化图

24.yolov10-x的训练识别可视化图

25.yolov10-n的训练参数可视化图

26.yolov10-s的训练参数可视化图

27.yolov10-l的训练参数可视化图

28.yolov10-x的训练参数可视化图

参考文献：
[1]Redmon J, et al. You Only Look Once: Unified, Real-Time Object Detection. CVPR 2016.
[2]YOLOv10：实时端到端物体检测[EB/OL]. (2024-9-27) [2025-3-4].
https://docs.ultralytics.com/zh/models/yolov10
[3]新一代目标检测来了：YOLOv10 | 理论概要[EB/OL]. (2024-5-21) [2025-3-4].
https://blog.csdn.net/weixin_38739735/article/details/139364505
[4]YOLOv10开源，高效轻量实时端到端目标检测新标准，速度提升46%[EB/OL]. (2024-6-5) [2025-3-4].https://blog.csdn.net/nulifancuoAI/article/details/139455710
[5]Haohui Y ,Junfei Z .UAV-PDD2023: A benchmark dataset for pavement distress detection based on UAV images[J].Data in Brief,2023,51109692-109692.
[6]【开源数据集】无人机道路破损检测数据集UAV-PDD2023[EB/OL]. (2024-07-04)[2025-3-4]. https://blog.csdn.net/hzg19930513/article/details/140178467.