YOLO模型因其在计算成本和检测性能之间的权衡而广受欢迎。多年以来，研究人员改进了模型的设计、目标设定和数据策略，但依赖非极大值抑制（NMS）增加了延迟，并阻碍了端到端的部署。YOLO组件中的低效部分限制了其功能发挥。
YOLOv10 通过无 NMS 的训练来解决这些问题，以实现更低的延迟，并采用一种以效率和准确率为驱动力的设计策略。作者引入了一致的双重分配策略进行无 NMS 训练，同时实现了竞争力的性能和低推理延迟。他们还提出了一种整体的效率和准确率驱动的模型设计策略，从效率和准确率两个方面优化 YOLO 的各个组件。这减少了计算开销，并提升了性能。实验表明，YOLOv10 达到了最先进的性能和效率水平。例如，YOLOv10-S 的速度比 RT-DETR-R18 快 1.8 倍，准确率相当，同时参数和 FLOPs 更少。与 YOLOv9-C 相比，YOLOv10-B 的延迟减少了 46%，参数减少了 25%，而性能保持一致。
这是我们的做法 无需NMS的一致双分配训练
YOLO 模型通常使用任务对齐学习（TAL）来训练。这通常涉及为每个实例分配多个正样本，以增强优化和性能。然而，这需要非极大值抑制（NMS）后期处理，从而降低了推理的效率。而一对一匹配虽然避免了 NMS，但会带来推理开销或次优性能的问题。
作者提出了一种不需要NMS的训练方法，采用双标签分配和一致的匹配标准。
在训练期间，除了传统的多对一头部外，还会加入一个一对一头部，两者共享相同的优化目标，但采用不同的匹配方式。多对一头部提供丰富的监督信息，而一对一头部则确保高效且无需非极大值抑制（NMS）的预测。推理时仅使用一对一头部以节省成本。
为了协调训练流程，使用了一致的匹配标准。该标准评估预测与实例之间的一致性，不论是多对一还是一对一的分配，都采用了一种统一的方法来平衡语义预测和位置回归任务。通过让两个头的指导对齐，模型确保一个头的优质样本也是另一个头的优质样本，从而实现两者的一致优化。这种方法显著提高了顶级一对一匹配与多对一匹配结果的对齐。
以整体效率和准确性为导向的模型设计
YOLO模型在效率和准确性之间找到平衡时面临挑战，这是由于其架构可能导致计算冗余和能力限制。作者提出了全面设计的模型来解决这些问题，同时注重效率和准确性。
以效率为导向的模型设计。
- 轻量级分类头部：通过采用简化架构（如可分离深度卷积）来减少计算开销。
- 空间和通道解耦的下采样：将空间缩减和通道增加分离，以降低计算成本并保持信息。
- 秩引导的模块设计：通过内在秩分析来识别并减少模型阶段中的冗余，用更高效的结构（如紧凑型倒残差块）替换复杂模块。
以提高准确性为目标的模型设计：
- 大核（Large Kernel）卷积：通过在深层阶段增加感受野来增强模型能力，选择性地使用大核逐深度卷积以避免在浅层阶段产生开销。
- 部分自注意力（PSA）：通过仅对部分特征应用自注意力，来高效地引入自注意力，从而减少计算复杂度和内存使用量，同时增强全局表示能力。
与基线YOLOv8模型相比，YOLOv10在AP上表现出显著提升，N版本提高了1.2%，S版本提高了1.4%，M版本提高了0.5%，L版本提高了0.3%，X版本提高了0.5%。此外，YOLOv10在延迟时间上也实现了显著降低，延迟时间减少了37%到70%。
共同学习，写下你的评论
评论加载中...
作者其他优质文章
