【YOLOv10改进实战】**【2】YOLOv10解析：实时端到端目标检测

榴莲不太甜

已于 2024-06-02 11:46:11 修改

阅读量1.3k

点赞数 34

分类专栏： YOLOv10改进实战文章标签：计算机视觉目标检测 YOLO python 学习笔记

于 2024-06-01 08:00:00 首次发布

本文链接：https://blog.csdn.net/weixin_47538732/article/details/139350828

版权

9 篇文章 19 订阅

订阅专栏

【YOLOv10改进实战】【2】YOLOv10解析：实时端到端目标检测🥤🥤

YOLOv10是清华大学的Ao Wang， HuiChen， LihaoLiu等人于 2024年5月发布的，是一种新的实时端到端目标检测器，也是YOLO系列最新的算法。
在这里插入图片描述

1. 无NMS的一致双分配的训练策略(consistent dual assignments for NMS-free Training)：

1.1 双标签分配（Dual label assignments）：

一对一分配（one-to-one matching）：仅一个预测框被分配给一个真实物体标签，避免了NMS，但是会导致弱监督，使得模型精度欠佳和影响收敛速度。
一对多分配(one-to-many matching)：能解决一对一分配策略存在的问题，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。
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。

1.2 一致匹配度量（Consistent matching metric）：

为实现两个分支的预测感知匹配，作者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。

在这里插入图片描述

2. 效率-精度驱动的模型设计(Holistic Efficiency-Accuracy Driven Model Design)

2.1. 效率驱动的模型设计:

轻量化分类头：通过分析分类误差和回归误差的影响后，发现回归头对YOLOs的性能影响更大，在不显著影响性能的情况下，可以适当减少分类头计算开销。
空间-通道解耦下采样：将空间缩减和通道增加操作解耦，实现更高效的下采样。最大限度地提高了下采样过程中的信息保留率，从而降低了延迟，带来了具有竞争力的性能。
基于秩的块设计：根据各阶段的内在秩适应块设计，降低冗余，提高效率。提出了一种紧凑的反向块（CIB）结构；设计了一种秩引导的块分配策略，以在保持竞争力的同时实现最佳效率。

2.2 精度驱动模型设计：