💡💡💡本专栏所有程序均经过测试，可成功执行💡💡💡
专栏目录：《YOLOv8改进有效涨点》专栏介绍 & 专栏目录 | 目前已有40+篇内容，内含各种Head检测头、损失函数Loss、Backbone、Neck、NMS等创新点改进
对YOLOv10感兴趣的同学可以先看YOLOv8，因为改进方式大部分一样，我也会尽快更新相关的教程
论文地址：YOLOv10: Real-Time End-to-End Object Detection点击即可跳转
官方代码：官方代码仓库点击即可跳转
今天看到YOLOv10已经被添加到了ultralytics的仓库中， 也就是说，以后YOLOv8的代码仓库也可以下载直接运行YOLOv10。预计以后发布的YOLO系列都会被收入到这个仓库中。
YOLOv10启动脚本供参考：
from ultralytics import YOLOv10
# Load a model
model = YOLOv10("ultralytics/cfg/models/v10/yolov10n.yaml")
# train
model.train(data='dataset/data.yaml',cache=False,imgsz=640,epochs=100,batch=16,close_mosaic=0,workers=4,device='0',optimizer='SGD', # using SGDamp=False, # close ampproject='runs/train',name='exp',)
YOLOv10创新点回顾：
1. 创新点
无NMS的一致双分配(consistent dual assignments)：
YOLOv10提出了一种通过双标签分配而不用非极大值抑制NMS的策略。这种方法结合了一对多和一对一分配策略的优势，提高了效率并保持了性能。
效率-精度驱动的模型设计(Holistic Efficiency-Accuracy Driven Model Design)：
轻量化分类头：在不显著影响性能的情况下，减少了计算开销。
空间-通道解耦下采样：解耦空间下采样和通道调整，优化计算成本。
基于秩的块设计：根据各阶段的内在秩适应块设计，减少冗余，提高效率。
大核卷积和部分自注意力PSA：在不显著增加计算成本的情况下，增强了感受野和全局建模能力。
2. 一致双分配策略（Consistent Dual Assignments）
YOLOv10引入了一种新的双分配策略，用于在训练期间同时利用一对多（one-to-many）和一对一（one-to-one）标签分配。这种方法在保持模型高效训练的同时，摆脱了推理过程中对非极大值抑制NMS的依赖。
双标签分配（Dual Label Assignments）
一对多分配：在训练期间，多个预测框被分配给一个真实物体标签。这种策略提供了丰富的监督信号，优化效果更好。
一对一分配：仅一个预测框被分配给一个真实物体标签，避免了NMS，但由于监督信号较弱，容易导致收敛速度慢和性能欠佳。
双头架构：模型在训练期间使用两个预测头，一个使用一对多分配，另一个使用一对一分配。这样，模型可以在训练期间利用一对多分配的丰富监督信号，而在推理期间则使用一对一分配的预测结果，从而实现无NMS的高效推理。
3. 一致匹配度量（Consistent Matching Metric）
为了在训练期间保持两个预测头的一致性，提出了一致匹配度量。通过调整匹配度量参数，使得一对一和一对多分配的监督信号一致，减少了训练期间的监督差距，提升了模型的预测质量。
整体效率-精度驱动的模型设计（Holistic Efficiency-Accuracy Driven Model Design）
YOLOv10在模型架构的各个方面进行了全面优化，旨在提升效率和精度。
3.1 效率驱动的模型设计
轻量化分类头（Lightweight Classification Head）
在YOLO系列中，分类头和回归头通常共享相同的架构，但分类任务的计算开销更大。为分类头采用轻量级的架构，包括两个3×3的深度可分离卷积（depthwise separable convolutions）和一个1×1卷积，以减少计算开销。
空间-通道解耦下采样（Spatial-Channel Decoupled Downsampling）
传统的下采样方法同时进行空间和通道的转换，计算成本较高。YOLOv10首先使用逐点卷积（pointwise convolution）调整通道维度，然后使用深度卷积（depthwise convolution）进行空间下采样。这样可以最大限度地保留信息，同时减少计算成本。
3.2 基于秩的块设计（Rank-Guided Block Design）
在YOLO模型中，各阶段通常使用相同的基本构建块，容易导致深层阶段的计算冗余。因此根据各阶段的内在秩（intrinsic rank）调整块设计，减少冗余，采用紧凑的反向块（Compact Inverted Block, CIB）设计，用深度卷积进行空间混合和逐点卷积进行通道混合，提高效率。
3.3 精度驱动的模型设计
大核卷积（Large-Kernel Convolution）
大核卷积的感受野较大，能够更好地捕捉图像中的全局信息。然而，直接在所有阶段使用大核卷积可能会导致小物体特征的污染，并增加高分辨率阶段的I/O开销和延迟。因此，在深层阶段使用大核深度卷积（如7×7）来扩大感受野，增强模型能力，同时使用结构重参数化技术（structural reparameterization）优化训练。
对于小模型规模（如YOLOv10-N/S），大核卷积的使用能够显著提升性能，而对于大模型规模（如YOLOv10-M），其天然较大的感受野使得大核卷积的效果不明显，因此仅在小模型中使用。
部分自注意力（Partial Self-Attention, PSA）
部分自注意力模块通过引入全局建模能力来提升模型性能，同时保持较低的计算开销。
自注意力（self-attention）在视觉任务中因其出色的全局建模能力而被广泛使用，但其计算复杂度和内存占用较高。本文引入PSA模块，通过将特征按通道分成两部分，仅对一部分应用多头自注意力（Multi-Head Self-Attention, MHSA），然后进行融合，增强全局建模能力，降低计算复杂度。
