[论文解读] YOLOv5, YOLOv8 and YOLOv10: The Go-To Detectors for Real-time Vision

Muhammad Azhar Hussain|arXiv (Cornell University)|Jul 3, 2024

CCD and CMOS Imaging Sensors被引用 38

一句话总结

对 YOLOv5、YOLOv8、YOLOv10 的全面评审，详述架构进展、边缘部署适用性及性能指标。

ABSTRACT

This paper presents a comprehensive review of the evolution of the YOLO (You Only Look Once) object detection algorithm, focusing on YOLOv5, YOLOv8, and YOLOv10. We analyze the architectural advancements, performance improvements, and suitability for edge deployment across these versions. YOLOv5 introduced significant innovations such as the CSPDarknet backbone and Mosaic Augmentation, balancing speed and accuracy. YOLOv8 built upon this foundation with enhanced feature extraction and anchor-free detection, improving versatility and performance. YOLOv10 represents a leap forward with NMS-free training, spatial-channel decoupled downsampling, and large-kernel convolutions, achieving state-of-the-art performance with reduced computational overhead. Our findings highlight the progressive enhancements in accuracy, efficiency, and real-time performance, particularly emphasizing their applicability in resource-constrained environments. This review provides insights into the trade-offs between model complexity and detection accuracy, offering guidance for selecting the most appropriate YOLO version for specific edge computing applications.

研究动机与目标

• 评估从 YOLOv5 到 YOLOv10 的架构演进及其对边缘部署的影响。
• 在标准基准上评估不同版本的性能、延迟与模型效率。
• 识别在受限硬件条件下，模型大小、准确性与计算需求之间的权衡。
• 就为特定边缘视觉任务选择合适的 YOLO 版本提供指导。

提出的方法

• 调查 YOLOv5、YOLOv8、YOLOv10 在骨干、颈部、头部、NMS、数据增强等方面的架构变更。
• 总结每个模型变体在 COCO 评估中的性能指标和延迟发现。
• 比较基于锚点的检测与非锚点检测，以及无 NMS 训练的含义。
• 强调部署格式和优化技术（导出格式、混合精度等）。
• 综合边缘部署的考虑事项及实时视觉任务的权衡。

实验结果

研究问题

• RQ1 YOLOv5、YOLOv8、YOLOv10 的架构如何演进以提升边缘部署性能？
• RQ2 在 YOLOv5、YOLOv8、YOLOv10 之间，精度、延迟与模型大小的权衡是什么？
• RQ3 哪些部署考虑因素（格式、优化）使这些版本适用于受限硬件？
• RQ4 YOLOv10 的无 NMS 方法在延迟和准确性方面与前代相比如何？

主要发现

• YOLOv5 引入 CSPDarknet 与 Mosaic Augmentation，以平衡速度和准确性。
• YOLOv8 增加了无锚点检测、PANet 颈部改进，以及用于边缘效率的混合精度训练。
• YOLOv10 具备无 NMS 训练、空间-通道解耦下采样和大核卷积，在降低开销的同时实现高准确性。
• 模型变体（nano 到 extra large）为多样的边缘硬件提供可扩展选项。
• Table 1 显示 AP 提高且在 YOLOv5 变体之间的 CPU 延迟和 FLOPs 变化。
• 总体而言，YOLOv10 在效率和准确性方面有提升，尤于边缘部署。