YOLOv10、YOLOv9和YOLOv8：性能对比研究

最新推荐文章于 2025-03-02 10:18:29 发布
最新推荐文章于 2025-03-02 10:18:29 发布
阅读量4.1k 收藏 34
点赞数 23
分类专栏： 深度学习实战 文章标签： YOLO 对比实验 YOLOv10 深度学习 目标检测
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_42589613/article/details/142732007
版权

《博主简介》

小伙伴们好，我是阿旭。专注于人工智能、AIGC、python、计算机视觉相关分享研究。
✌更多学习资源，可关注公-仲-hao:【阿旭算法与机器学习】，共同学习交流~
👍感谢小伙伴们点赞、关注！

《------往期经典推荐------》

一、AI应用软件开发实战专栏【链接】

项目名称项目名称
1.【人脸识别与管理系统开发】2.【车牌识别与自动收费管理系统开发】
3.【手势识别系统开发】4.【人脸面部活体检测系统开发】
5.【图片风格快速迁移软件开发】6.【人脸表表情识别系统】
7.【YOLOv8多目标识别与自动标注软件开发】8.【基于YOLOv8深度学习的行人跌倒检测系统】
9.【基于YOLOv8深度学习的PCB板缺陷检测系统】10.【基于YOLOv8深度学习的生活垃圾分类目标检测系统】
11.【基于YOLOv8深度学习的安全帽目标检测系统】12.【基于YOLOv8深度学习的120种犬类检测与识别系统】
13.【基于YOLOv8深度学习的路面坑洞检测系统】14.【基于YOLOv8深度学习的火焰烟雾检测系统】
15.【基于YOLOv8深度学习的钢材表面缺陷检测系统】16.【基于YOLOv8深度学习的舰船目标分类检测系统】
17.【基于YOLOv8深度学习的西红柿成熟度检测系统】18.【基于YOLOv8深度学习的血细胞检测与计数系统】
19.【基于YOLOv8深度学习的吸烟/抽烟行为检测系统】20.【基于YOLOv8深度学习的水稻害虫检测与识别系统】
21.【基于YOLOv8深度学习的高精度车辆行人检测与计数系统】22.【基于YOLOv8深度学习的路面标志线检测与识别系统】
23.【基于YOLOv8深度学习的智能小麦害虫检测识别系统】24.【基于YOLOv8深度学习的智能玉米害虫检测识别系统】
25.【基于YOLOv8深度学习的200种鸟类智能检测与识别系统】26.【基于YOLOv8深度学习的45种交通标志智能检测与识别系统】
27.【基于YOLOv8深度学习的人脸面部表情识别系统】28.【基于YOLOv8深度学习的苹果叶片病害智能诊断系统】
29.【基于YOLOv8深度学习的智能肺炎诊断系统】30.【基于YOLOv8深度学习的葡萄簇目标检测系统】
31.【基于YOLOv8深度学习的100种中草药智能识别系统】32.【基于YOLOv8深度学习的102种花卉智能识别系统】
33.【基于YOLOv8深度学习的100种蝴蝶智能识别系统】34.【基于YOLOv8深度学习的水稻叶片病害智能诊断系统】
35.【基于YOLOv8与ByteTrack的车辆行人多目标检测与追踪系统】36.【基于YOLOv8深度学习的智能草莓病害检测与分割系统】
37.【基于YOLOv8深度学习的复杂场景下船舶目标检测系统】38.【基于YOLOv8深度学习的农作物幼苗与杂草检测系统】
39.【基于YOLOv8深度学习的智能道路裂缝检测与分析系统】40.【基于YOLOv8深度学习的葡萄病害智能诊断与防治系统】
41.【基于YOLOv8深度学习的遥感地理空间物体检测系统】42.【基于YOLOv8深度学习的无人机视角地面物体检测系统】
43.【基于YOLOv8深度学习的木薯病害智能诊断与防治系统】44.【基于YOLOv8深度学习的野外火焰烟雾检测系统】
45.【基于YOLOv8深度学习的脑肿瘤智能检测系统】46.【基于YOLOv8深度学习的玉米叶片病害智能诊断与防治系统】
47.【基于YOLOv8深度学习的橙子病害智能诊断与防治系统】48.【基于深度学习的车辆检测追踪与流量计数系统】
49.【基于深度学习的行人检测追踪与双向流量计数系统】50.【基于深度学习的反光衣检测与预警系统】
51.【基于深度学习的危险区域人员闯入检测与报警系统】52.【基于深度学习的高密度人脸智能检测与统计系统】
53.【基于深度学习的CT扫描图像肾结石智能检测系统】54.【基于深度学习的水果智能检测系统】
55.【基于深度学习的水果质量好坏智能检测系统】56.【基于深度学习的蔬菜目标检测与识别系统】
57.【基于深度学习的非机动车驾驶员头盔检测系统】58.【基于深度学习的太阳能电池板检测与分析系统】
59.【基于深度学习的工业螺栓螺母检测】60.【基于深度学习的金属焊缝缺陷检测系统】
61.【基于深度学习的链条缺陷检测与识别系统】62.【基于深度学习的交通信号灯检测识别】
63.【基于深度学习的草莓成熟度检测与识别系统】64.【基于深度学习的水下海生物检测识别系统】
65.【基于深度学习的道路交通事故检测识别系统】

二、机器学习实战专栏【链接】，已更新31期，欢迎关注，持续更新中~~
三、深度学习【Pytorch】专栏【链接】
四、【Stable Diffusion绘画系列】专栏【链接】
五、YOLOv8改进专栏【链接】，持续更新中~~
六、YOLO性能对比专栏【链接】，持续更新中~

《------正文------》

目录

在不断发展的计算机视觉领域，目标检测模型不断得到改进和完善。在这篇文章中，比较了三个版本的YOLO模型家族：YOLOv10，YOLOv9和YOLOv8。本研究的重点是评估这些模型的准确性，速度和模型参数的基础上，特别是在目标检测任务的背景下。

模型推理视频

为了说明性能上的差异，我对每个模型进行了推理测试并记录了结果。以下是YOLOv8m、YOLOv9c和YOLOv10m的推断结果。

在这里插入图片描述

YOLOv8m推理结果

在这里插入图片描述

YOLOv9c推理结果

在这里插入图片描述

YOLOv10m推断结果

比较结果

为了比较这些模型，使用了YOLOv8m，YOLOv9c，YOLOv10m。比较中型模型的原因是只有YOLOv9c预训练权重可用，该模型的大小与中型YOLOv8和YOLOv10模型相似。

如图所示，YOLOv8m错误地标记了一个对象，而YOLOv9c正确地标记了它。这是一个小错误，通过进一步的训练，模型可能会得到改进。

img

YOLOv8m检测

img

YOLOv9c检测

有趣的是，YOLOv10m检测到YOLOv8m错误标记的对象，但其置信度得分通常低于YOLOv9c。

img

YOLOv10m检测

详细比较

下面是另一组比较结果，突出显示了YOLOv8n、YOLOv8m、YOLOv9c和YOLOv10m的性能。

img

YOLOv8 n正确检测所有标记的对象

img

yolov8m正确检测到所有标记的对象

img

YOLOv9c错误地标记了一个物体，但正确地检测到了另外两个标记的物体

img

YOLOv10m未能检测到任何标记的对象

结论

训练结果表明，虽然YOLOv10模型的大小比YOLOv8小得多，但它在我的数据集上的准确性明显较低。这些结果可能因所使用的数据集而异。因此，根据您的特定用例对新模型进行基准测试始终至关重要，因为较新的模型并不一定意味着它会更好地满足您的特定需求。

img

对比表

我注意到的另一件事是，我使用的数据集是不平衡的。当对象实例频繁出现时，YOLOv8、YOLOv9和YOLOv10的精度相似。然而，对于罕见的对象（如我的数据集中的货车和卡车），与版本8和9相比，YOLOv 10的准确性显着下降。

img

YOLOv8m训练输出

img

YOLOv9c训练输出

img

YOLOv10m训练输出

通过分享这些结果，希望为不同YOLO模型的性能提供有价值的见解，并强调根据特定用例定制模型选择的重要性。一如既往，持续的基准测试和测试是在任何机器学习项目中取得最佳结果的关键。

数据集：
Kaggle数据集
https://www.kaggle.com/datasets/javiersanchezsoriano/roundabout-aerial-images-for-vehicle-detection/code

关注文末名片G-Z-H：【阿旭算法与机器学习】，发送【开源】可获取更多学习资源

在这里插入图片描述

好了，这篇文章就介绍到这里，喜欢的小伙伴感谢给点个赞和关注，更多精彩内容持续更新~~
关于本篇文章大家有任何建议或意见，欢迎在评论区留言交流！

YOLOv11改进策略【YOLO和Mamba】| 替换骨干 Mamba-YOLOv11-B !!! 最新的发文热点
Limiiiing的博客
11-23 804
一、本文介绍 本文记录的是利用Mamba-YOLO优化YOLOv11的目标检测网络模型。Mamba-YOLO模型是一种基于状态空间模型（SSM）的目标检测模型，旨在解决传统目标检测模型在处理复杂场景和长距离依赖关系时的局限性。本文分成三个章节分别介绍Mamba-YOLO模型结构中各个模块的设计结构和优势，本章讲解ODSSBlock模块，并在文末配置Mamba-YOLOv11-B网络结构。 专栏目录：YOLOv11改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck
海思SD3403,SS928/926,hi3519dv500,hi3516dv500移植yolov7,yolov8（19）-Yolov10探索
Littro Innovations
05-30 572
YOLOv10 开源有几天了，看性能是比较强的，但是试过的一些人说没有YOLOv8好，实际效果以测试结果为准，这里创新点算是去掉了之前YOLO的NMS步骤，论文题目也说了NMS-Free，以此来提高小目标检测率，减少计算冗余，也没有NMS的计算时间提高实时性。：在检测小物体方面表现出了更好的性能，尤其是在使用较低置信度阈值时。：在各种物体检测任务中表现良好，但在处理小物体时可能会遇到困难，通常需要仔细调整置信度阈值。：更有效地优化参数使用，以更少的参数实现更高的性能。相比，模型不仅速度更快，而且更紧凑。
YOLOv8在COCO数据集上的性能指标全解析
10-03
YOLOv8作为目标检测领域的最新进展，其在COCO数据集上的性能指标受到了广泛关注。COCO数据集（Common Objects in Context）是一个大规模的目标检测、分割和描述数据集，它包含了330K张图像，涵盖了80个目标类别，是评估目标检测模型性能的重要基准。 YOLOv8在COCO数据集上的性能指标显示了其在目标检测领域的领先地位。它不仅在精度上有所提升，而且在推理速度和模型复杂度上也进行了优化。这些特性使得YOLOv8成为了工业界和学术界在目标检测任务中的一个有力工具。随着技术的不断发展，YOLOv8的性能还有进一步提升的空间，值得我们持续关注和研究。
目标检测系列—YOLOv10 详解
最新发布
Azperk的博客
03-02 1115
YOLOv10 是团队于 2025 年发布的目标检测算法，是 YOLO 系列的最新版本。YOLOv10 在 YOLOv9 的基础上进行了进一步的改进，不仅在检测精度、推理速度上有了显著提升，还在模型轻量化、跨域适应性和高效计算上做出了诸多创新。本文将详细解析 YOLOv10 的，并提供 PyTorch 代码示例。
学习经验分享【37】YOLOv10解读——最新YOLO版本
m0_70388905的博客
05-25 1万+
YOLOv10解读——最新YOLO版本
【机器学习】YOLOv10与YOLOv8分析
richard_yuu的博客
06-05 5902
YOLOv8和YOLOv10作为YOLO系列的最新成员，均继承了YOLO系列实时、准确的特点，并在网络结构、训练流程和特征提取能力等方面进行了优化和改进。YOLOv8以其高帧率（FPS）和准确度赢得了广泛赞誉，而YOLOv10则通过无NMS训练的持续双重分配策略和全面的效率-准确性驱动模型设计策略，进一步提升了性能和效率。YOLOv8和YOLOv10作为YOLO系列的最新成员，在实时目标检测领域均取得了显著的进步。
江大白 | YOLOv11算法详解，YOLOv11/v10/v8性能对比分析，谁才是真正的目标检测之王？
csdn_xmj的博客
10-08 8794
目标检测任务在AI项目落地中扮演着至关重要的角色，是众多AI任务的前置算法，本文详细阐述了YOLOv11算法的改进方向、功能和性能，并与YOLOv10和YOLOv8进行比较，充分验证了YOLOv11在速度、准确性和多样任务支持等方面的有效性。
CV Method：YOLOv10 vs YOLOv8
WiSirius的博客
07-24 2924
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。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。
YOLOv10、YOLOv9 和 YOLOv8 在实际视频中的对比
weixin_41496173的博客
06-10 7144
近期yolo对比
不怕YOLOv10高歌猛进，我有YOLOv8稳扎稳打
热门推荐
YOLOv8项目贡献者
05-28 1万+
不怕YOLOv10高歌猛进，我有YOLOv8稳扎稳打
OLOv9与YOLOv8性能差别详解
Songxianshengbei的博客
02-25 6743
轻量级优势：YOLOv9注重轻量级模型的设计和优化，使得模型在保持较高性能的同时，具有更小的体积和更快的推理速度。这意味着在相同的参数量下，YOLOv9能够提取更多的特征信息，从而提高了目标检测的准确率。它采用了新的骨干网络、检测头和损失函数，使得模型在保持较高准确率的同时，提高了推理速度。YOLOv9在YOLOv8的基础上进行了进一步的改进和优化，使得模型在性能上有了显著的提升。准确率：通过引入新的骨干网络和检测头，YOLOv8能够提取更丰富的特征信息，从而提高了目标检测的准确率。
YOLOv9与YOLOv8性能差别详解.txt
02-24
yolov9
YOLOv5 vs YOLOv6 vs YOLOv7目标检测模型速度和准确度的性能比较-深入研究.docx
05-20
YOLO（You Only Look Once）系列是...YOLOv5、YOLOv6和YOLOv7各有其优势和适用范围，通过详细的性能比较和基准测试，可以为不同项目找到最适合的模型。对于追求最佳效果的开发者，了解这些模型的优缺点是至关重要的。
YOLOv10来啦！ONNX模型部署和性能对比了解一下
09-25
官方发布了YOLOv10-N、YOLOv10-S、YOLOv10-M、YOLOv10-B、YOLOv10-L和YOLOv10-X等各种型号的模型，以满足不同应用的需求。 在部署方面，YOLOv10可以基于ONNXRuntime框架进行部署。首先需要从GitHub上克隆代码，然后...
【yolov11-3】Ultralytics YOLOv8, YOLOv9, YOLOv10, YOLOv11.zip
10-02
YOLOv8、YOLOv9、YOLOv10和YOLOv11作为系列中的最新版本，每一代的更新都旨在解决前代中可能存在的问题，比如提升速度、增强准确性、改进模型结构、优化网络参数等。 Ultralytics是一个致力于研究和开发先进的深度...
YOLOv11改进策略【SPPF】| NeuralPS-2022 Focal Modulation : 使用焦点调制模块优化空间金字塔池化SPPF
Limiiiing的博客
10-30 603
本文记录的是利用焦点调制模块Focal Modulation改进YOLOv11的方法研究。利用深度可分离卷积层实现的焦点语境化来编码从短到长范围的视觉语境，通过门控聚合有选择性地为每个查询标记收集语境到调制器中，并利用逐元素仿射变换将调制器注入查询，优化了对视觉任务中标记交互的建模能力，提高模型性能。
YOLOv9与YOLOv8创新点差异概述：
Songxianshengbei的博客
02-25 4287
YOLOv9作为YOLO系列的最新成员，在继承了前代算法优点的基础上，通过引入一系列创新性的改进，进一步提升了目标检测的性能和效率。此外，YOLOv9还采用了有效的预处理技术，如归一化、去噪等，以进一步提升输入数据的质量和模型的性能。本文详细介绍了YOLOv9的架构创新、优化策略以及在实际应用中的表现，并通过与YOLOv8等先前版本的比较，突出了YOLOv9的优势和贡献。通过去除冗余的网络连接和参数，以及使用量化等方法降低参数的精度，YOLOv9在保持性能的同时显著降低了模型的复杂度和资源消耗。
集智书童 | YOLOv10开源｜清华用端到端YOLOv10在速度精度上都生吃YOLOv8和YOLOv9
csdn_xmj的博客
05-27 4810
在本文中，作者针对YOLO系列检测 Pipeline 中的后处理和模型架构进行了研究。对于后处理，作者提出了持续的双重分配以实现无需NMS的训练，从而实现高效的端到端检测。对于模型架构，作者引入了整体效率-精度驱动的模型设计策略，改进了性能与效率之间的权衡。这些改进带来了YOLOv10，这是一个新的实时端到端目标检测器。大量实验表明，与其它先进检测器相比，YOLOv10在性能和延迟方面均达到了最先进水平，充分展示了其优越性。
学会 YOLOv8 直接上手 YOLOv10 | YOLOv8 YOLOv10 模型结构 Yaml 文件对比
YOLOv8项目贡献者
06-04 2370
学会 YOLOv8 直接上手 YOLOv10 | YOLOv8 YOLOv10 模型结构 Yaml 文件对比
yolov8过拟合对比试验
02-11
### 设置YOLOv8对比实验以避免过拟合及提升模型性能 #### 实验设计原则 为了有效评估和改善YOLOv8在特定任务中的表现，尤其是针对过拟合现象，建议采用严格的对照实验方法。这不仅有助于理解模型内部机制，还能探索有效的正则化策略来增强泛化能力。 #### 数据集划分 合理分配训练集、验证集与测试集的比例至关重要。通常情况下，可以按照70%用于训练，15%用于验证，剩余15%留作最终评测之用[^2]。这样的比例能够确保有足够的样本供网络学习特征的同时保留一部分未见过的数据用来衡量真实世界的预测效果。 #### 正则化技术的应用 引入多种正则化手段可帮助缓解过拟合问题： - **Dropout层**：随机丢弃部分神经元连接，在每次前向传播过程中模拟不同的子网结构，从而防止某些节点过度依赖其他节点而形成固定的映射关系。 - **权重衰减（L2正则项）**：通过对较大的参数施加惩罚，促使整个权值矩阵趋向零分布，进而简化决策边界形状，降低复杂度。 - **数据扩增**：利用图像变换操作如旋转、缩放和平移等方式扩充原始图片库规模，增加多样性，使模型更鲁棒地应对各种输入变化情况。 #### 超参数调优 调整诸如批量大小(batch size)、初始学习率(learning rate)及其动态调度方案等超参数对于控制收敛行为同样重要。较小的学习速率有利于精细化搜索最优解空间；反之，则可能加速早期阶段的探索过程。此外，适当增大batch size可以在一定程度上抑制梯度估计方差带来的波动影响。 ```python import torch.optim as optim from yolov8 import YOLOv8Model # 假设这是定义好的YOLOv8类 model = YOLOv8Model() optimizer = optim.Adam(model.parameters(), lr=0.001, weight_decay=1e-4) for epoch in range(num_epochs): model.train() for batch_idx, (data, target) in enumerate(train_loader): optimizer.zero_grad() output = model(data) loss = criterion(output, target) loss.backward() optimizer.step() # 验证环节省略... ``` #### 性能指标监控 除了常规的损失函数外，还应关注mAP(mean Average Precision)，它综合反映了目标定位准确性及时空范围内的召回状况。定期记录这些统计量的变化趋势图谱，便于直观判断是否存在欠拟合或过拟合倾向，并据此作出相应对策调整。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

阿_旭

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值