今日应用
今日话题
YOLOv10都来了!清华提出端到端YOLOv10:YOLO 无 NMS 训练的一致双重分配
重点标签 YOLOv10、目标检测、计算机视觉、实时检测、性能效率
文章摘要
接下来是文章的详细摘要:
YOLO系列模型作为实时目标检测领域的主导范式,因其在计算成本和检测性能之间有效平衡而广受欢迎。然而,对非最大值抑制(NMS)的依赖限制了YOLOs端到端部署的效率。为了解决这一问题,研究者提出了YOLOv10,它在相同性能下将延迟减少了46%,参数减少了25%。
YOLOv10的特点:
1. 无需NMS训练:YOLOv10采用一致性双重分配策略,通过一对多分支提供丰富的监督信息,并通过一对一分支在推理过程中实现高效率。
2. 整体效率-精度驱动的模型设计:YOLOv10引入了轻量级分类头、空间-通道解耦降采样和排名引导的块设计,减少计算冗余并提高效率。同时,通过大核卷积和部分自注意力模块增强模型性能。
3. 实时端到端目标检测:YOLOv10在标准目标检测基准测试(如COCO)上表现出色,证明了其在各种模型规模上均实现了最先进的性能和效率。
实验结果:
– YOLOv10-S在COCO上的类似AP下比RT-DETR-R18快1.8倍,同时享有2.8倍更少的参数和FLOPs。
– 与YOLOv9-C相比,YOLOv10-B在相同性能下延迟减少了46%,参数减少了25%。
方法论:
– 一致性双重分配:通过一对一多分配和一对一匹配结合,避免了NMS后处理,同时保持了性能。
– 效率为导向的模型设计:包括轻量级分类头、空间-通道解耦下采样和秩引导的块设计,以减少计算开销。
– 准确度驱动的模型设计:探索大核卷积和部分自注意力模块,以低成本挖掘性能提升潜力。
实验与分析:
– 实验在COCO数据集上进行,证明了YOLOv10在不同模型规模上均能显著超越之前的最佳模型。
– 消融研究显示,无需NMS的训练和一致的双重分配显著降低了端到端延迟,同时保持了竞争力的性能。
– 效率驱动和准确度驱动的模型设计分析表明,各项设计改进均有助于提高性能和降低延迟。
结论:
YOLOv10作为新一代实时端到端目标检测器,在性能和延迟方面均达到了最先进水平,展示了其优越性。未来的工作将探索进一步缩小性能差距并实现更高性能的方法。
贡献与局限性:
– 贡献在于提出了新颖的一致性双重分配策略和整体效率-精度驱动的模型设计策略,并推出了YOLOv10。
– 局限性包括未在大规模数据集上进行预训练,以及在小型模型中使用无需NMS的训练与使用NMS的训练相比存在性能差距。
以上摘要突出了YOLOv10的主要贡献、实验结果和方法论,并讨论了其贡献与局限性。
文章来源
原文地址: 点我阅读全文
原文作者: 极市平台