
计算机
在传统目标检测模型中,非极大值抑制(NMS)是必不可少的后处理步骤,用于从重叠的候选框中筛选最优检测结果。但NMS不仅延长了推理时间,还阻碍了模型的端到端训练。YOLOv10提出了一致性双重赋值策略,有效解决了这一问题。该策略在训练阶段采用一对多赋值方式,提供更丰富的监督信息;而在推理阶段切换为一对一赋值方式,从而直接输出检测结果,无需依赖NMS,显著提升了检测效率。在训练过程中,YOLO 通常采用 TAL 方法为每个实例分配多个正样本。这种一对多的策略生成了丰富的监督信号,有助于优化过程并推动模型达到卓越性能。然而,这也使得 YOLO 需要依赖 NMS 后处理,从而降低了推理效率。尽管先前的研究尝试通过一对一匹配来减少冗余预测,但往往增加了额外的推理成本。与一对多分配不同,一对一匹配只为每个真实框分配一个预测框,从而省去了 NMS 的需求。然而,这种方式会导致监督信号不足,影响模型精度和收敛速度。幸运的是,这一缺陷可以通过重新引入一对多分配的方式加以弥补,从而实现更佳的平衡。
这项研究提出的双标签分配方法融合了两种策略的优势。所示,研究为YOLO新增了一个一对一的头部(head)。该头部保留了与原有一对多分支相同的结构和优化目标,但采用一对一匹配来进行标签分配。在训练阶段,两个头部协同优化,提供多样化的监督信息;而在推理阶段,YOLOv10会舍弃一对多的头部,仅使用一对一头部进行预测。这种方式使YOLO能够实现端到端的部署,且不会增加额外的推理开销。YOLOv10全面优化了模型架构,具体包括以下几个方面:

清华
YOLOv10是YOLO系列的最新版本,凭借创新的一致性双重赋值策略与优化的模型结构,在实时目标检测技术上取得了新进展。这一成果不仅对学术研究意义重大,还为自动驾驶、机器人导航及视频监控等领域提供了坚实的技术保障。随着YOLOv10的开源发布,它有望在更多实际场景中展现卓越性能,推动相关行业的发展进步。相关内容如下:论文链接:ABS/2405.14458">https://arxiv.org/ABS/2405.14458,点击即可查看详细内容。项目已开源,欢迎大家访问我们的GitHub页面:https://github.com/THU-MIG/yolov10,了解更多详情并参与贡献。其他内容,请参考网络专栏这篇文章,链接如下:https://zhuanlan.zhihu.com/p/700329479
Copyright © 2025 IZhiDa.com All Rights Reserved.
知答 版权所有 粤ICP备2023042255号