一 数据处理
- 在v8之后，v9和v10都是参考v8的数据增强处理，主要有以下，具体其中一些增强并未用到，可以参考具体配置
二 模型结构
-
以yolov10x为例子，整个模型结构如下
a. 对于SCDown，是 Spatial-channel decoupled downsampling，主要是针对原始的下采样Conv2d（C，2C，kernel=3，stride=2）的下采集，进行修改成 Conv2d（C，2C，kernel=1，stride=1）加上一个组卷积 Conv2d（2C，2C，kernel=3，stride=2，group=2C）；对于原始的下采样计算量是 H ∗ W ∗ 3 ∗ 3 ∗ C ∗ 2 C / ( 2 ∗ 2 ) H*W*3*3*C*2C/(2*2) H∗W∗3∗3∗C∗2C/(2∗2)，对应参数是 3 ∗ 3 ∗ C ∗ 2 C 3*3*C*2C 3∗3∗C∗2C，修改后的计算量是 H ∗ W ∗ C ∗ 2 C + H ∗ W ∗ 3 ∗ 3 ∗ 2 C / ( 2 ∗ 2 ) H*W*C*2C+H*W*3*3*2C/(2*2) H∗W∗C∗2C+H∗W∗3∗3∗2C/(2∗2)，对应参数是 C ∗ 2 C + 3 ∗ 3 ∗ 2 C C*2C+3*3*2C C∗2C+3∗3∗2C
b. CIB是放在C2f模块中，主要是针对 3 ∗ 3 3*3 3∗3的卷积都替换成了组卷积（depthwise convolution），对于小模型会采用 7 ∗ 7 7*7 7∗7的组卷积
c. SPPF，是将maxpool(k=5，9，13)和原始输入叠加到一起，在走一个卷积，得到最终输出，其中采用简化算法，就是走多次maxpool（k=5），替换maxpool(k=9，13)
d. PSA，是加了个自注意力机制模块，主要做的修改是，将输入根据channel拆分成2份，其中一份做self-attention，然后和另一份做融合
e. V10Detect，在head部分，经过实验发现，分类头比框回归头参数多，但是重要性不如框回归头，所以对分类头，进行depthwise卷积，降参数；主要3个损失，分类采用的BCELoss（没有采用varifocal_loss），回归box是CIou Loss和DFL loss
f. V10Detect，采用one2one和one2many，两种匹配策略，one2many是和以前yolo一样，一个gt框会对应选择10个预测框去做loss，one2one就是一个gt框只选择一个预测框去做loss，同时在inference的时候只走one2one阶段，去掉nms后处理的耗时；对于one2one采用的head是deepcopy了一份，同时计算出来的梯度只更新V10Detect head，不回传到backbone和PAN阶段
g. 对于最后inference，作者提出特别对于小模型，one2many+nms的ap要比one2one的要好，二者之间还是有差距
