YOLOv10: Real-Time End-to-End Object Detection：NMS-free实时检测新范式
2024年5月提交。YOLOv10提出一致双分配（consistent dual assignments）实现无NMS训练，并采用整体效率-精度驱动模型设计策略，在COCO上YOLOv10-S比RT-DETR-R18快1.8倍且参数量与FLOPs减少2.8倍，比YOLOv9-C延迟降低46%、参数减少25%。
Development
- First ReportYOLOv10: Real-Time End-to-End Object Detection：NMS-free实时检测新范式arXiv cs.AI
- Current AssessmentYOLOv10将推动实时检测在安防、工业质检、自动驾驶等领域的部署，尤其适合资源受限设备。其无NMS特性简化了模型导出和推理管线，可降低工程成本。与RT-DETR的对比显示，CNN-based检测器在效率上仍具竞争力，可能延缓Transformer在实时场景的渗透。Agent Pulse · analysis
YOLOv10通过消除NMS后处理并系统优化模型组件，在实时目标检测中实现了效率与精度的新平衡。其无NMS设计降低了推理延迟，而整体架构优化减少了计算冗余。该工作标志着YOLO系列从依赖NMS到端到端部署的关键转变，对边缘计算、自动驾驶等低延迟场景具有直接价值。
YOLOv10的核心创新在于一致双分配机制：在训练时同时使用一对多和一对一分配，前者提供丰富监督，后者实现无NMS推理。模型设计上，从效率与精度双维度优化了主干、颈部和头部，包括轻量级分类头、空间通道解耦下采样、大核卷积等。实验覆盖S/M/B/L/X五种尺度，在COCO上AP与延迟均优于YOLOv9和RT-DETR。消融表明各组件贡献明确，但未在极端小目标或密集场景下充分验证。
YOLOv10将推动实时检测在安防、工业质检、自动驾驶等领域的部署，尤其适合资源受限设备。其无NMS特性简化了模型导出和推理管线，可降低工程成本。与RT-DETR的对比显示，CNN-based检测器在效率上仍具竞争力，可能延缓Transformer在实时场景的渗透。
建议计算机视觉团队评估YOLOv10替换现有YOLOv5/v8/v9方案，尤其在需要低延迟端到端部署的产品中。可优先在安防摄像头、无人机巡检等场景进行A/B测试，关注推理速度与精度的实际提升。
关注YOLOv10在移动端和嵌入式平台的量化部署效果，以及其无NMS设计在密集小目标场景下的鲁棒性。若开源模型被广泛采用，可能成为实时检测的新基准，并催生更多针对特定硬件的优化版本。