YOLOv10是清华大学最近开源的一个实时端到端的目标检测算法，继承了YOLO系列的实时端到端检测优势，解决了以往版本YOLO系列目标检测算法在后处理和模型架构方面的不足。通过消除非极大值抑制（NMS）操作和优化模型架构，YOLOv10在显著降低计算开销的同时还实现了最先进的性能。作为YOLO系列的最新版本，YOLOv10已被纳入Ultralytics的官方项目，进一步推动了端侧目标检测技术的发展。

一、引 言

实时目标检测一直是计算机视觉领域的研究重点，其目标是在低延迟下准确预测图像中目标的类别和位置。它被广泛应用于各种实际应用中，包括自动驾驶、机器人导航和物体跟踪等。近年来，研究人员集中精力设计基于CNN的物体检测器以实现实时检测。其中，YOLO因其在性能和效率之间的巧妙平衡而越来越受欢迎。 YOLO的检测流程由两部分组成：模型前处理和NMS后处理。然而，它们仍然存在缺陷，导致精度-延迟边界不理想。

在过去的几年里，由于其在计算成本和检测性能之间的有效平衡，YOLOS已经成为实时目标检测领域的主导范例。研究人员已经探索了YOLOS的架构设计、优化目标、数据增强策略等，并取得了显著进展。然而，对用于后处理的非最大抑制（NMS）的依赖妨碍了YOLOS的端到端部署，并且影响了推理延迟。此外，YOLOS中各部件的设计缺乏全面和彻底的检查，导致明显的计算冗余，限制了模型的性能。这导致次优的效率，以及相当大的性能改进潜力。

清华大学研究团队首先提出了用于YOLOs无NMS训练的持续双重分配，该方法带来了有竞争力的性能和低推理延迟。此外，还从效率和精度两个角度对YOLOS的各个组件进行了全面优化，大大降低了计算开销，增强了性能。

二、YOLOv10模型架构

YOLOv10的模型架构由以下几个部分组成：

• 主干网络：使用增强版的CSPNet来提取图像特征，它能改善梯度流并减少计算量。
• 颈部：采用PAN结构汇聚不同尺度的特征，有效地实现多尺度特征融合。
• 一对多预测头：在训练过程中为每个对象生成多个预测，用来提供丰富的监督信号从而提高学习的准确性；在推理阶段不生效，从而减少计算量。
• 一对一预测头：在推理过程中为每个对象生成一个最佳预测，无需NMS操作，从而减少延迟并提高推理效率。

三、YOLOv10的主要特点

1. 无NMS训练

YOLOv10的一大亮点是其无NMS训练。传统的YOLO模型使用NMS来过滤重叠的预测，这增加了推理延迟。YOLOv10引入了一种双重分配策略，消除了NMS的需求，从而实现了更快、更高效的目标检测。双重分配策略解释：

• 一对多分配：在训练过程中使用，以提供丰富的监督信号。
• 一对一分配：在推理过程中使用，以避免冗余预测。

通过使用一致的匹配度量协调这两种策略，YOLOv10在不牺牲性能的情况下实现了高效率。

2. 整体效率-准确性驱动设计

YOLOv10采用了一种全面的模型设计方法，优化了各种组件以提高效率和准确性。以下是一些关键创新：

• 轻量化分类头：通过使用深度可分离卷积，减少分类头的计算开销，而不显著影响性能。
• 空间-通道解耦下采样：通过分离空间缩减和通道增加操作，增强下采样效率，减少信息损失。
• 秩引导块设计：根据模型不同阶段的内在冗余，调整构建块的复杂度，确保参数的最佳利用。

3. 大核卷积和部分自注意力

为了进一步提高准确性，YOLOv10集成了大核卷积和部分自注意力（PSA）模块。这些组件提高了模型捕捉全局信息的能力，同时保持计算效率。

• 大核卷积：在较深阶段有选择地使用，以扩大感受野而不显著增加I/O开销。
• PSA模块：以成本效益的方式引入自注意力，提升模型学习全局表示的能力。

性能和效率：双赢组合

实验结果表明，YOLOv10在准确性和速度方面均优于其前代和其他最新模型。例如，YOLOv10-S（一个较小的变体）比RT-DETR-R18快1.8倍，性能相似，且参数量减少了2.8倍。与YOLOv9-C相比，YOLOv10-B（一个平衡的变体）延迟减少了46%，参数量减少了25%，同时保持了相同的性能水平。

四、YOLOv10的现实应用

YOLOv10在各个行业中具有实际意义：

1. 自动驾驶

在自动驾驶车辆中，实时目标检测对于安全导航至关重要。YOLOv10的高效性和高准确性使其能够理想地识别行人、其他车辆和障碍物，确保顺畅安全的驾驶体验。

2. 机器人

对于从事仓库管理或救援任务的机器人来说，快速准确地检测物体的能力至关重要。YOLOv10增强了这些能力，使机器人能够在动态环境中更有效地运行。

3. 监控

在安防系统中，实时检测潜在威胁可以在事件升级前预防。YOLOv10的强大性能确保了可靠的监控，使其成为提高公共安全的宝贵工具。

五、YOLOv10的安装

1. conda建议使用虚拟环境。

conda create -n yolov10 python=3.9
conda activate yolov10

2. 下载YOLOv10源码

git clone https://github.com/THU-MIG/yolov10.git
cd yolov10

3. 演示

python app.py
# Please visit 127.0.0.1:7860

执行后，打开127.0.0.1:7860 即可看到以下界面

测试一：

测试二：

六、主入口app.py代码解析

import gradio as gr
import cv2
import tempfile
from ultralytics import YOLOv10

# 定义YOLOv10推理函数
def yolov10_inference(image, video, model_id, image_size, conf_threshold):
    # 从预训练模型加载YOLOv10模型
    model = YOLOv10.from_pretrained(f'jameslahm/{model_id}')
    # 如果输入是图像
    if image:
        # 对图像进行预测
        results = model.predict(source=image, imgsz=image_size, conf=conf_threshold)
        # 绘制标注框
        annotated_image = results[0].plot()
        # 返回标注后的图像和None（表示没有视频输出）
        return annotated_image[:, :, ::-1], None
    else:
        # 创建临时文件路径用于保存视频
        video_path = tempfile.mktemp(suffix=".webm")
        # 将输入视频写入临时文件
        with open(video_path, "wb") as f:
            with open(video, "rb") as g:
                f.write(g.read())

        # 打开视频文件
        cap = cv2.VideoCapture(video_path)
        # 获取视频的帧率
        fps = cap.get(cv2.CAP_PROP_FPS)
        # 获取视频的宽度和高度
        frame_width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
        frame_height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))

        # 创建输出视频的临时文件路径
        output_video_path = tempfile.mktemp(suffix=".webm")
        # 创建视频写入器
        out = cv2.VideoWriter(output_video_path, cv2.VideoWriter_fourcc(*'vp80'), fps, (frame_width, frame_height))

        # 逐帧处理视频
        while cap.isOpened():
            ret, frame = cap.read()
            if not ret:
                break

            # 对当前帧进行预测
            results = model.predict(source=frame, imgsz=image_size, conf=conf_threshold)
            # 绘制标注框
            annotated_frame = results[0].plot()
            # 将标注后的帧写入输出视频
            out.write(annotated_frame)

        # 释放视频捕获和写入器
        cap.release()
        out.release()

        # 返回None（表示没有图像输出）和标注后的视频路径
        return None, output_video_path

# 定义用于示例的YOLOv10推理函数
def yolov10_inference_for_examples(image, model_path, image_size, conf_threshold):
    # 调用YOLOv10推理函数并返回标注后的图像
    annotated_image, _ = yolov10_inference(image, None, model_path, image_size, conf_threshold)
    return annotated_image

# 定义Gradio应用
def app():
    with gr.Blocks():
        with gr.Row():
            with gr.Column():
                # 图像输入组件
                image = gr.Image(type="pil", label="Image", visible=True)
                # 视频输入组件
                video = gr.Video(label="Video", visible=False)
                # 输入类型选择组件
                input_type = gr.Radio(
                    choices=["Image", "Video"],
                    value="Image",
                    label="Input Type",
                )
                # 模型选择组件
                model_id = gr.Dropdown(
                    label="Model",
                    choices=[
                        "yolov10n",
                        "yolov10s",
                        "yolov10m",
                        "yolov10b",
                        "yolov10l",
                        "yolov10x",
                    ],
                    value="yolov10m",
                )
                # 图像尺寸选择组件
                image_size = gr.Slider(
                    label="Image Size",
                    minimum=320,
                    maximum=1280,
                    step=32,
                    value=640,
                )
                # 置信度阈值选择组件
                conf_threshold = gr.Slider(
                    label="Confidence Threshold",
                    minimum=0.0,
                    maximum=1.0,
                    step=0.05,
                    value=0.25,
                )
                # 推理按钮
                yolov10_infer = gr.Button(value="Detect Objects")

            with gr.Column():
                # 标注后的图像输出组件
                output_image = gr.Image(type="numpy", label="Annotated Image", visible=True)
                # 标注后的视频输出组件
                output_video = gr.Video(label="Annotated Video", visible=False)

        # 更新组件可见性的函数
        def update_visibility(input_type):
            image = gr.update(visible=True) if input_type == "Image" else gr.update(visible=False)
            video = gr.update(visible=False) if input_type == "Image" else gr.update(visible=True)
            output_image = gr.update(visible=True) if input_type == "Image" else gr.update(visible=False)
            output_video = gr.update(visible=False) if input_type == "Image" else gr.update(visible=True)

            return image, video, output_image, output_video

        # 输入类型改变时更新组件可见性
        input_type.change(
            fn=update_visibility,
            inputs=[input_type],
            outputs=[image, video, output_image, output_video],
        )

        # 运行推理的函数
        def run_inference(image, video, model_id, image_size, conf_threshold, input_type):
            if input_type == "Image":
                return yolov10_inference(image, None, model_id, image_size, conf_threshold)
            else:
                return yolov10_inference(None, video, model_id, image_size, conf_threshold)

        # 推理按钮点击事件
        yolov10_infer.click(
            fn=run_inference,
            inputs=[image, video, model_id, image_size, conf_threshold, input_type],
            outputs=[output_image, output_video],
        )

        # 示例数据
        gr.Examples(
            examples=[
                [
                    "ultralytics/assets/bus.jpg",
                    "yolov10s",
                    640,
                    0.25,
                ],
                [
                    "ultralytics/assets/zidane.jpg",
                    "yolov10s",
                    640,
                    0.25,
                ],
            ],
            fn=yolov10_inference_for_examples,
            inputs=[
                image,
                model_id,
                image_size,
                conf_threshold,
            ],
            outputs=[output_image],
            cache_examples='lazy',
        )

# 创建Gradio应用实例
gradio_app = gr.Blocks()
with gradio_app:
    # 应用标题
    gr.HTML(
        """
    

    YOLOv10: Real-Time End-to-End Object Detection
    
    """)
    # 应用链接
    gr.HTML(
        """
        

        arXiv | github
        
        """)
    with gr.Row():
        with gr.Column():
            # 调用应用函数
            app()

# 启动Gradio应用
if __name__ == '__main__':
    gradio_app.launch()