不怕YOLOv10高歌猛進，我有YOLOv8穩扎穩打

在這里插入圖片描述

YOLOv10 出來有幾天時間了，這次我沒有選擇第一時間出文章解析，如此頻繁的發布數字版本的 YOLO 著實讓人頭疼，雖然數字的更新并非舊版技術的過時，但是這肯定會讓很多在校同學增加很多焦慮情緒。這里還是請大家辯證看待。

v10 這次的改動不是很多，甚至很多新手同學都覺得沒改動什么。網絡結構上改動確實不多，主要貢獻還是 NMS free，這個點并不體現在模型的 yaml 文件里，所以只看 yaml 也看不出什么，從效果角度講 v10 就是比 v8 強，這是沒法狡辯的。

在這里插入圖片描述

值得注意的是 v10 用的依然是 yolov8 的框架，也就是說到目前為止，YOLOv5/v7/v9 都是一個框架，YOLOv8/v10 是一個框架，并且這兩套框架都是 ultralytics 團隊在維護的，這也驗證了前幾年（22年）我寫的一段文字，一個好的基線框架是至關重要的，一個超級活躍的開源項目也是可遇不可求的，它帶給你的幫助是無法估量的。

那這意味什么呢，你 v5/v7/v9 會玩一個就代表三個全會，v8/v10 會玩一個就代表兩個全會；并且我們可以無腦將 v10 的改進點放到 v8 里，所以大家不必糾結 v8 舊于 v10 ，以后的任何數字版本 yolo ，對你們來說不過是一個改進點而已。

如何選擇一個合適的基線？

從硬件性能角度考慮
即考慮自己的硬件條件，本身是否具備訓練一個大模型的硬件環境，比如顯卡性能或者顯存很小，那么就無法訓練參數量過大的模型。
從訓練成本角度考慮
即考慮自身的資金成本或者時間成本，如果實驗室沒有GPU，那么就要使用云平臺，通常實驗都會有幾十次，所以資金成本很大，這時可以考慮使用參數量較小的基線，這樣訓練時間快，對硬件的要求也沒有那么高。
從評價指標角度考慮
我們通常在發論文時都會加上一個應用場景，加場景的作用就是滿足實際的使用，我們知道理想情況下，模型的精度和參數量是成正比的，假如滿足實際使用要求的mAP值是0.9，YOLOv5s的mAP只有0.6，那么無論你怎樣優化，模型也很難達到要求，所以這時候就要考慮使用一個更大的基線，比如5L\X等。
從代碼開源角度考慮
現在開源工作做得很好，有時候我們自己忙了一個月編寫的代碼甚至不如GitHub上一個開源的項目，所以在選擇優化算法時要考慮自身的代碼水平，即這個算法的有沒有開源的源代碼，這個代碼是否清清晰易讀，是否方便改進。

為什么我總是推薦大家用 yolov8 呢，因為這個框架真的真的很好用，對小白也很友好，不管是論文還是工作，這個框架我認為真的值得學習。

目前這個框架支持分類、檢測、分割、關鍵點、開集目標檢測、未來會加入深度估計等任務，學會了對自己幫助很大。

下面簡單回顧下論文，并且對 v10 的三個模塊加到 v8 做個簡單教程。

論文回顧

下面快速回顧下原始論文，這是我借助 Ai Drive 總結的，基本就是這些東西，如果對模塊效果感興趣請大家直接看論文的消融實驗。

引言

在過去的幾年中，YOLO系列（You Only Look Once）模型憑借其在計算成本和檢測性能之間的卓越平衡，已經成為實時目標檢測領域的主流。近日，由清華大學團隊提出的最新論文《YOLOv10: Real-Time End-to-End Object Detection》進一步推進了YOLO模型的性能與效率邊界。本文將詳細介紹這篇論文的創新點、主要貢獻及其實驗結果。

論文背景

YOLO模型的檢測管道主要包括模型前向過程和非極大值抑制（NMS）后處理。然而，NMS的依賴使得YOLO模型在端到端部署中存在一定的效率瓶頸。此外，YOLO模型各組件的設計也缺乏全面細致的優化，導致計算冗余明顯，限制了模型的性能提升。

主要貢獻

這篇論文針對以上問題，提出了兩個關鍵創新點：一致的雙重分配策略和整體效率-準確性驅動的模型設計策略。
在這里插入圖片描述

一致的雙重分配策略：
- 雙標簽分配：傳統的YOLO模型在訓練時通常采用一對多的標簽分配策略，這雖然能帶來豐富的監督信號，但也需要在推理時依賴NMS。為解決這一問題，論文提出了一種雙標簽分配策略，通過同時采用一對多和一對一的標簽分配，既保證了訓練時的豐富監督信號，又消除了推理時對NMS的依賴。
- 一致匹配度量：通過采用統一的匹配度量，優化一對一分配頭和一對多分配頭，使兩者能夠一致和諧地進行優化，從而在推理時提供更高質量的樣本。
整體效率-準確性驅動的模型設計策略：
- 輕量級分類頭：通過簡化分類頭的架構，減少計算開銷，同時不顯著影響性能。
- 空間通道解耦下采樣：提出了一種新的下采樣方法，先進行通道維度的變換，然后進行空間維度的下采樣，最大程度地保留信息。
- 秩引導塊設計：通過分析各階段的內在秩，提出緊湊倒置塊結構（CIB），并采用秩引導的塊分配策略，以適應不同階段的冗余情況，從而提高模型的效率。
大核卷積和部分自注意力模塊（PSA）：
- 大核卷積：在深層階段采用大核卷積，擴大感受野，增強模型能力。
- 部分自注意力模塊：通過將特征分為兩部分，僅對一部分應用多頭自注意力機制（MHSA），在提升模型性能的同時降低計算復雜度。

實驗結果

在這里插入圖片描述

論文通過在COCO數據集上的大量實驗，驗證了YOLOv10在各個模型規模上的優越性能和效率：

高效的參數利用：YOLOv10-L和YOLOv10-X分別比YOLOv8-L和YOLOv8-X減少1.8倍和2.3倍的參數，同時在相同或更好的性能下實現了更低的延遲。
先進的性能和延遲權衡：YOLOv10在標準目標檢測基準上顯著優于以前的最先進模型。例如，YOLOv10-S比RT-DETR-R18快1.8倍，參數和FLOPs減少2.8倍。

代碼改動

如果將 v10 全部的改動合并到 v8 的主分支，大概到 14 個 python 文件和 6 個 yaml 文件，詳細的代碼大家直接看這個 PR 就行了，https://github.com/ultralytics/ultralytics/pull/13113/files，

由于我對大家比較了解，就不給大家展示怎么改這 14 個文件了，用 Ultralytics 框架的同學等待官方合并就好了。咱們直接改除 NMS free 外的其他貢獻點，有三個模塊，大家自行拆解使用 :

空間通道解耦下采樣 SCDown
緊湊倒置塊結構 CIB
大核卷積和部分自注意力模塊 PSA

第一步

ultralytics/ultralytics/nn/modules/block.py 添加如下代碼：

from ultralytics.utils.torch_utils import fuse_conv_and_bnclass RepVGGDW(torch.nn.Module):"""RepVGGDW is a class that represents a depth wise separable convolutional block in RepVGG architecture."""def __init__(self, ed) -> None:super().__init__()self.conv = Conv(ed, ed, 7, 1, 3, g=ed, act=False)self.conv1 = Conv(ed, ed, 3, 1, 1, g=ed, act=False)self.dim = edself.act = nn.SiLU()def forward(self, x):"""Performs a forward pass of the RepVGGDW block.Args:x (torch.Tensor): Input tensor.Returns:(torch.Tensor): Output tensor after applying the depth wise separable convolution."""return self.act(self.conv(x) + self.conv1(x))def forward_fuse(self, x):"""Performs a forward pass of the RepVGGDW block without fusing the convolutions.Args:x (torch.Tensor): Input tensor.Returns:(torch.Tensor): Output tensor after applying the depth wise separable convolution."""return self.act(self.conv(x))@torch.no_grad()def fuse(self):"""Fuses the convolutional layers in the RepVGGDW block.This method fuses the convolutional layers and updates the weights and biases accordingly."""conv = fuse_conv_and_bn(self.conv.conv, self.conv.bn)conv1 = fuse_conv_and_bn(self.conv1.conv, self.conv1.bn)conv_w = conv.weightconv_b = conv.biasconv1_w = conv1.weightconv1_b = conv1.biasconv1_w = torch.nn.functional.pad(conv1_w, [2, 2, 2, 2])final_conv_w = conv_w + conv1_wfinal_conv_b = conv_b + conv1_bconv.weight.data.copy_(final_conv_w)conv.bias.data.copy_(final_conv_b)self.conv = convdel self.conv1class CIB(nn.Module):"""Conditional Identity Block (CIB) module.Args:c1 (int): Number of input channels.c2 (int): Number of output channels.shortcut (bool, optional): Whether to add a shortcut connection. Defaults to True.e (float, optional): Scaling factor for the hidden channels. Defaults to 0.5.lk (bool, optional): Whether to use RepVGGDW for the third convolutional layer. Defaults to False."""def __init__(self, c1, c2, shortcut=True, e=0.5, lk=False):super().__init__()c_ = int(c2 * e)  # hidden channelsself.cv1 = nn.Sequential(Conv(c1, c1, 3, g=c1),Conv(c1, 2 * c_, 1),Conv(2 * c_, 2 * c_, 3, g=2 * c_) if not lk else RepVGGDW(2 * c_),Conv(2 * c_, c2, 1),Conv(c2, c2, 3, g=c2),)self.add = shortcut and c1 == c2def forward(self, x):"""Forward pass of the CIB module.Args:x (torch.Tensor): Input tensor.Returns:(torch.Tensor): Output tensor."""return x + self.cv1(x) if self.add else self.cv1(x)class C2fCIB(C2f):"""C2fCIB class represents a convolutional block with C2f and CIB modules.Args:c1 (int): Number of input channels.c2 (int): Number of output channels.n (int, optional): Number of CIB modules to stack. Defaults to 1.shortcut (bool, optional): Whether to use shortcut connection. Defaults to False.lk (bool, optional): Whether to use local key connection. Defaults to False.g (int, optional): Number of groups for grouped convolution. Defaults to 1.e (float, optional): Expansion ratio for CIB modules. Defaults to 0.5."""def __init__(self, c1, c2, n=1, shortcut=False, lk=False, g=1, e=0.5):super().__init__(c1, c2, n, shortcut, g, e)self.m = nn.ModuleList(CIB(self.c, self.c, shortcut, e=1.0, lk=lk) for _ in range(n))class Attention(nn.Module):"""Attention module that performs self-attention on the input tensor.Args:dim (int): The input tensor dimension.num_heads (int): The number of attention heads.attn_ratio (float): The ratio of the attention key dimension to the head dimension.Attributes:num_heads (int): The number of attention heads.head_dim (int): The dimension of each attention head.key_dim (int): The dimension of the attention key.scale (float): The scaling factor for the attention scores.qkv (Conv): Convolutional layer for computing the query, key, and value.proj (Conv): Convolutional layer for projecting the attended values.pe (Conv): Convolutional layer for positional encoding."""def __init__(self, dim, num_heads=8, attn_ratio=0.5):super().__init__()self.num_heads = num_headsself.head_dim = dim // num_headsself.key_dim = int(self.head_dim * attn_ratio)self.scale = self.key_dim**-0.5nh_kd = nh_kd = self.key_dim * num_headsh = dim + nh_kd * 2self.qkv = Conv(dim, h, 1, act=False)self.proj = Conv(dim, dim, 1, act=False)self.pe = Conv(dim, dim, 3, 1, g=dim, act=False)def forward(self, x):"""Forward pass of the Attention module.Args:x (torch.Tensor): The input tensor.Returns:(torch.Tensor): The output tensor after self-attention."""B, _, H, W = x.shapeN = H * Wqkv = self.qkv(x)q, k, v = qkv.view(B, self.num_heads, -1, N).split([self.key_dim, self.key_dim, self.head_dim], dim=2)attn = (q.transpose(-2, -1) @ k) * self.scaleattn = attn.softmax(dim=-1)x = (v @ attn.transpose(-2, -1)).view(B, -1, H, W) + self.pe(v.reshape(B, -1, H, W))x = self.proj(x)return xclass PSA(nn.Module):"""Position-wise Spatial Attention module.Args:c1 (int): Number of input channels.c2 (int): Number of output channels.e (float): Expansion factor for the intermediate channels. Default is 0.5.Attributes:c (int): Number of intermediate channels.cv1 (Conv): 1x1 convolution layer to reduce the number of input channels to 2*c.cv2 (Conv): 1x1 convolution layer to reduce the number of output channels to c.attn (Attention): Attention module for spatial attention.ffn (nn.Sequential): Feed-forward network module."""def __init__(self, c1, c2, e=0.5):super().__init__()assert c1 == c2self.c = int(c1 * e)self.cv1 = Conv(c1, 2 * self.c, 1, 1)self.cv2 = Conv(2 * self.c, c1, 1)self.attn = Attention(self.c, attn_ratio=0.5, num_heads=self.c // 64)self.ffn = nn.Sequential(Conv(self.c, self.c * 2, 1), Conv(self.c * 2, self.c, 1, act=False))def forward(self, x):"""Forward pass of the PSA module.Args:x (torch.Tensor): Input tensor.Returns:(torch.Tensor): Output tensor."""a, b = self.cv1(x).split((self.c, self.c), dim=1)b = b + self.attn(b)b = b + self.ffn(b)return self.cv2(torch.cat((a, b), 1))class SCDown(nn.Module):def __init__(self, c1, c2, k, s):"""Spatial Channel Downsample (SCDown) module.Args:c1 (int): Number of input channels.c2 (int): Number of output channels.k (int): Kernel size for the convolutional layer.s (int): Stride for the convolutional layer."""super().__init__()self.cv1 = Conv(c1, c2, 1, 1)self.cv2 = Conv(c2, c2, k=k, s=s, g=c2, act=False)def forward(self, x):"""Forward pass of the SCDown module.Args:x (torch.Tensor): Input tensor.Returns:(torch.Tensor): Output tensor after applying the SCDown module."""return self.cv2(self.cv1(x))

第二步

ultralytics/ultralytics/nn/modules/block.py 添加如下代碼：

在這里插入圖片描述

    "RepVGGDW","CIB","C2fCIB","Attention","PSA","SCDown",

第三步

ultralytics/ultralytics/nn/tasks.py 導包，添加模塊

在這里插入圖片描述

    RepVGGDW,CIB,C2fCIB,Attention,PSA,SCDown,

在這里插入圖片描述

                if isinstance(m, RepVGGDW):m.fuse()m.forward = m.forward_fuse

在這里插入圖片描述

PSA, SCDown, C2fCIB

C2fCIB

第四步

更換 yaml ，開始訓練，注意不同尺寸不是簡單的調整深度寬度！

yolov10n.yaml

# Ultralytics YOLO 🚀, AGPL-3.0 license
# YOLOv10 object detection model. For Usage examples see https://docs.ultralytics.com/tasks/detect# Parameters
nc: 80 # number of classes
scales: # model compound scaling constants, i.e. 'model=yolov8n.yaml' will call yolov8.yaml with scale 'n'# [depth, width, max_channels]n: [0.33, 0.25, 1024] backbone:# [from, repeats, module, args]- [-1, 1, Conv, [64, 3, 2]] # 0-P1/2- [-1, 1, Conv, [128, 3, 2]] # 1-P2/4- [-1, 3, C2f, [128, True]]- [-1, 1, Conv, [256, 3, 2]] # 3-P3/8- [-1, 6, C2f, [256, True]]- [-1, 1, SCDown, [512, 3, 2]] # 5-P4/16- [-1, 6, C2f, [512, True]]- [-1, 1, SCDown, [1024, 3, 2]] # 7-P5/32- [-1, 3, C2f, [1024, True]]- [-1, 1, SPPF, [1024, 5]] # 9- [-1, 1, PSA, [1024]] # 10# YOLOv8.0n head
head:- [-1, 1, nn.Upsample, [None, 2, "nearest"]]- [[-1, 6], 1, Concat, [1]] # cat backbone P4- [-1, 3, C2f, [512]] # 13- [-1, 1, nn.Upsample, [None, 2, "nearest"]]- [[-1, 4], 1, Concat, [1]] # cat backbone P3- [-1, 3, C2f, [256]] # 16 (P3/8-small)- [-1, 1, Conv, [256, 3, 2]]- [[-1, 13], 1, Concat, [1]] # cat head P4- [-1, 3, C2f, [512]] # 19 (P4/16-medium)- [-1, 1, SCDown, [512, 3, 2]]- [[-1, 10], 1, Concat, [1]] # cat head P5- [-1, 3, C2fCIB, [1024, True, True]] # 22 (P5/32-large)- [[16, 19, 22], 1, Detect, [nc]] # Detect(P3, P4, P5)

yolov10b.yaml

# Ultralytics YOLO 🚀, AGPL-3.0 license
# YOLOv10 object detection model. For Usage examples see https://docs.ultralytics.com/tasks/detect# Parameters
nc: 80 # number of classes
scales: # model compound scaling constants, i.e. 'model=yolov8n.yaml' will call yolov8.yaml with scale 'n'# [depth, width, max_channels]b: [0.67, 1.00, 512] backbone:# [from, repeats, module, args]- [-1, 1, Conv, [64, 3, 2]] # 0-P1/2- [-1, 1, Conv, [128, 3, 2]] # 1-P2/4- [-1, 3, C2f, [128, True]]- [-1, 1, Conv, [256, 3, 2]] # 3-P3/8- [-1, 6, C2f, [256, True]]- [-1, 1, SCDown, [512, 3, 2]] # 5-P4/16- [-1, 6, C2f, [512, True]]- [-1, 1, SCDown, [1024, 3, 2]] # 7-P5/32- [-1, 3, C2fCIB, [1024, True]]- [-1, 1, SPPF, [1024, 5]] # 9- [-1, 1, PSA, [1024]] # 10# YOLOv8.0n head
head:- [-1, 1, nn.Upsample, [None, 2, "nearest"]]- [[-1, 6], 1, Concat, [1]] # cat backbone P4- [-1, 3, C2fCIB, [512, True]] # 13- [-1, 1, nn.Upsample, [None, 2, "nearest"]]- [[-1, 4], 1, Concat, [1]] # cat backbone P3- [-1, 3, C2f, [256]] # 16 (P3/8-small)- [-1, 1, Conv, [256, 3, 2]]- [[-1, 13], 1, Concat, [1]] # cat head P4- [-1, 3, C2fCIB, [512, True]] # 19 (P4/16-medium)- [-1, 1, SCDown, [512, 3, 2]]- [[-1, 10], 1, Concat, [1]] # cat head P5- [-1, 3, C2fCIB, [1024, True]] # 22 (P5/32-large)- [[16, 19, 22], 1, Detect, [nc]] # Detect(P3, P4, P5)

yolov10s.yaml

# Ultralytics YOLO 🚀, AGPL-3.0 license
# YOLOv10 object detection model. For Usage examples see https://docs.ultralytics.com/tasks/detect# Parameters
nc: 80 # number of classes
scales: # model compound scaling constants, i.e. 'model=yolov8n.yaml' will call yolov8.yaml with scale 'n'# [depth, width, max_channels]s: [0.33, 0.50, 1024]backbone:# [from, repeats, module, args]- [-1, 1, Conv, [64, 3, 2]] # 0-P1/2- [-1, 1, Conv, [128, 3, 2]] # 1-P2/4- [-1, 3, C2f, [128, True]]- [-1, 1, Conv, [256, 3, 2]] # 3-P3/8- [-1, 6, C2f, [256, True]]- [-1, 1, SCDown, [512, 3, 2]] # 5-P4/16- [-1, 6, C2f, [512, True]]- [-1, 1, SCDown, [1024, 3, 2]] # 7-P5/32- [-1, 3, C2fCIB, [1024, True, True]]- [-1, 1, SPPF, [1024, 5]] # 9- [-1, 1, PSA, [1024]] # 10# YOLOv8.0n head
head:- [-1, 1, nn.Upsample, [None, 2, "nearest"]]- [[-1, 6], 1, Concat, [1]] # cat backbone P4- [-1, 3, C2f, [512]] # 13- [-1, 1, nn.Upsample, [None, 2, "nearest"]]- [[-1, 4], 1, Concat, [1]] # cat backbone P3- [-1, 3, C2f, [256]] # 16 (P3/8-small)- [-1, 1, Conv, [256, 3, 2]]- [[-1, 13], 1, Concat, [1]] # cat head P4- [-1, 3, C2f, [512]] # 19 (P4/16-medium)- [-1, 1, SCDown, [512, 3, 2]]- [[-1, 10], 1, Concat, [1]] # cat head P5- [-1, 3, C2fCIB, [1024, True, True]] # 22 (P5/32-large)- [[16, 19, 22], 1, Detect, [nc]] # Detect(P3, P4, P5)