YOLOv10 超详细解析 | 网络结构、训练策略、论文解读

网络结构

1. Backbone

在这里插入图片描述

2. Head

在这里插入图片描述

3. 说明

网络结构按 YOLOv10m 绘制，不同 scale 的模型在结构上略有不同，而不是像 YOLOv8 一样仅调整 depth 和 width。
Head 有部分后续计算与 YOLOv8 完全相同，上图省略，具体请看此文。
YOLOv10 整体的网络结构与 YOLOv8 相同，在一些细节模块上有所改进，查看具体的模块计算方式、优化策略跳转模型优化部分。

4. Predict Postprocess

首先需要说明的是，网络实际包含两个 Head（结构相同、参数不同），分别对应了 One-to-many Head 和 One-to-one Head，在训练时两个 Head 同时参与，而推理预测时只需要 One-to-one Head。

class v10Detect(Detect):def __init__(self, nc=80, ch=()):super().__init__(nc, ch)c3 = max(ch[0], min(self.nc, 100))  # channelsself.cv3 = ...self.one2one_cv2 = copy.deepcopy(self.cv2)self.one2one_cv3 = copy.deepcopy(self.cv3)

后处理具体流程：

one2one [1, 84, 6300] $\to$ boxes [1, 6300, 4] + scores [1, 6300, 80]
根据每个 Anchor 最高的分类得分 max_scores [1,6300] 排序，取前 max_det=300 个 Anchor
将这 300 个 Anchor 的 80 类分类得分再做一次排序，取前 max_det=300 个

此过程可以看作直接将所有 scores 中得分较高的 300 个结果作为检测结果，代码中使用两次 topk 可能是效率更高。由于 scores 计算使用的是 Sigmoid 而非 Softmax，这个后处理过程就可能会得到两个 Anchor 相同的框（即框的位置大小也都相同），但类别不同的结果。

由于后处理的不同，作者建议在预测中可以自由调节置信度阈值，或者设较小的阈值来提升对小目标、远处目标的检测效果，并且可以看出调节阈值对于后处理速度并无影响，只是从这 300 个结果中用不同的阈值筛选出最终结果而已。

# step 1
preds = preds["one2one"][0]  	# [1,84,6300]
preds.transpose(-1, -2)  		# [1,6300,84]
boxes, scores = preds.split([4, nc], dim=-1)  # [1,6300,4], [1,6300,80]
# step 2
max_scores = scores.amax(dim=-1)  # [1,6300]
max_scores, index = torch.topk(max_scores, max_det, axis=-1)  # [1,300], [1,300]
index = index.unsqueeze(-1)
boxes = torch.gather(boxes, dim=1, index=index.repeat(1, 1, boxes.shape[-1]))  		# [1,300,4]
scores = torch.gather(scores, dim=1, index=index.repeat(1, 1, scores.shape[-1]))	# [1,300,80]
# step 3
scores, index = torch.topk(scores.flatten(1), max_det, axis=-1)
labels = index % nc
index = index // nc
boxes = boxes.gather(dim=1, index=index.unsqueeze(-1).repeat(1, 1, boxes.shape[-1]))
return boxes, scores, labels

Train

YOLOv10 最大的特点就是在预测阶段不需要 NMS，而这个功能正是通过训练来实现的。
YOLOv10 在训练中会对 One-to-many Head 和 One-to-one Head 两个头的输出都计算损失，而损失函数与 YOLOv8 相同。具体看下面代码，仅仅是 tal_topk 参数设置不同，也就是在参与损失计算的正样本的选择上有所不同。

class v10DetectLoss:def __init__(self, model):self.one2many = v8DetectionLoss(model, tal_topk=10)self.one2one = v8DetectionLoss(model, tal_topk=1)def __call__(self, preds, batch):one2many = preds["one2many"]loss_one2many = self.one2many(one2many, batch)one2one = preds["one2one"]loss_one2one = self.one2one(one2one, batch)return loss_one2many[0] + loss_one2one[0], torch.cat((loss_one2many[1], loss_one2one[1]))

YOLOv8 的损失计算代码较多，关于代码逐句解析请看此文。本文将以尽可能简洁明了的方式说明损失的计算流程。

1. 前期准备

在训练阶段使用的网络输出为 Head 的输出 $x_1,x_2,x_3$ ，并将其分离为分类得分 pred_scores [b, a, 80]、原始检测框 pred_dist [b, a, 16] 以及解码后的检测框 pred_bboxes [b, a, 4]。对于标签也会做简单处理，得到分类标签 gt_labels [b, n, 1] 和目标框标签 gt_bboxes [b, n, 4]。
b：BatchSize
a：Anchors
80：分类数量
4：xyxy
n：该 Batch 中的最大实例数，实例数不足的图像会填充0，方便后续矩阵运算

2. 正样本选择与指标计算

选择 Anchor 坐标在 gt_bboxes 内部的输出来计算指标：

overlaps = CIoU(gt_boxes, pd_boxes)
align_metric = bbox_scores.pow(self.alpha) * overlaps.pow(self.beta)

此处 bbox_scores 仅保留 Anchor 所在 gt_bboxes 对应类别的得分，alpha=0.5, beta=6。对应 YOLOv10 论文中的公式（ $s$ 代表 Anchor 是否在实例内部）：
$m(\alpha,\beta) = s·p^{\alpha} · \mathrm{IoU}(\hat{b}, b)^\beta$

选出每个 gt 目标中 align_metric 前 10 / 1 的输出，如果同一个 Anchor 的输出入选多个 gt 目标的 Top10 / 1，选择 overlaps 即 IoU 较高的。

通俗来说对于每个实例，都会选择一些与其匹配得分较高的输出作为正样本，但对于一个 Anchor 的输出同时只能作为一个目标的正样本。而 One-to-many Head 和 One-to-one Head 的不同之处就在于一个会选择多个（Top 10）得分较高的作为正样本，一个只选择得分最高的作为正样本。

3. target scores

$t_j = u^*·\frac{m_j}{m^*}$
其中 $t_j$ 代表某个实例的 $j$ 号正样本的 target_score， $u^*$ 代表所有正样本中 IoU 的最大值， $m_j$ 代表该正样本的 align_metric， $m^*$ 同理为最大值。

4. 计算损失

4.1 Class

self.bce = nn.BCEWithLogitsLoss(reduction="none")
target_scores_sum = max(target_scores.sum(), 1)
loss[1] = self.bce(pred_scores, target_scores.to(dtype)).sum() / target_scores_sum

$l_{n}=-w_{n}\left[y_{n} \cdot \log \sigma\left(x_{n}\right)+\left(1-y_{n}\right) \cdot \log \left(1-\sigma\left(x_{n}\right)\right)\right]$

$l_n$ 表示某个 Anchor 在某个类别上的分类损失，一共有 $b * a * 80$ 个 $l$ ；
$w_n$ 统一取 1；
$y_n$ 在正样本处的值为对应的 target_score，其余负样本处的值为 0；

$L_{cls}=\frac{\sum{l}}{\sum{t}}$

4.2 Box

weight = target_scores.sum(-1)[fg_mask].unsqueeze(-1)
iou = bbox_iou(pred_bboxes[fg_mask], target_bboxes[fg_mask], xywh=False, CIoU=True)
loss_iou = ((1.0 - iou) * weight).sum() / target_scores_sum

$L_{box}=\frac{\sum{t_j(1 - \mathrm{CIoU}_j)}} {\sum{t}}$

$\mathrm{IoU}$ 仅计算正样本，并且会以 target_score 作为权重 weight
注：一个 Anchor 输出仅作为一个实例的正样本，仅在实例的类别上存在 target_score，可用以下代码作为验证

(target_scores.sum(-1) == target_scores.max(-1)[0]).all()
> True

4.3 DFL

target_ltrb = bbox2dist(anchor_points, target_bboxes, self.reg_max)
loss_dfl = self._df_loss(pred_dist[fg_mask].view(-1, self.reg_max + 1), target_ltrb[fg_mask]) * weight
loss_dfl = loss_dfl.sum() / target_scores_sumdef _df_loss(pred_dist, target):tl = target.long()  # target lefttr = tl + 1  # target rightwl = tr - target  # weight leftwr = 1 - wl  # weight rightreturn (F.cross_entropy(pred_dist, tl.view(-1), reduction="none").view(tl.shape) * wl+ F.cross_entropy(pred_dist, tr.view(-1), reduction="none").view(tl.shape) * wr).mean(-1, keepdim=True)

注：这里计算损失时使用的 pred_dist 是网络对于 Box 的原始输出，未经过 DFL 解码成常规的 Box，而标签则是将常规的 target_bboxes 转化成了距离对应 Anchor 坐标的距离，与 pred_dist 的形式相匹配。

$l_{n}=-w_{y_{n}} \log \frac{\exp \left(x_{n, y_{n}}\right)}{\sum_{c=1}^{C} \exp \left(x_{n, c}\right)} \cdot 1\left\{y_{n} \neq \mathrm { ignore\_index }\right\}$

上式为 F.cross_entropy 计算公式，等价于用 Softmax 计算分类概率 $p$ ， $l_n = -\log p_n$ 作为损失，其中 $p_n$ 为标签类别对应的概率。
$l_{dfl} = (y_{i+1} - y)l_i + (y-y_i)l_{i+1}$
其中 $y$ 为真实的标签，即某个坐标到 Anchor 坐标的距离， $y_{i+1}$ 代表对 $y$ 向上取整， $y_i$ 代表对 $y$ 向下取整。

举例进行说明，假设 $y = 3.7$ ， $l_{dfl} = (4-3.7)l_3 + (3.7-3)l_4$ ，由于实际的 $y$ 通常不会是个整数，单纯的将输出往单一类别收敛是不行的，理想情况就是让 3 和 4 两个类别的概率都比较高，那么通过 DFL 层的计算坐标就会落在 3~4 之间，同时以 $y$ 到两边的距离作为权重来平衡两个类别的概率，往理想的 $0.3 \times 3 + 0.7 \times 4=3.7$ 收敛。

注：每个正样本的损失为 4 个坐标的 DFL 损失的均值，最终当前 Batch 的 DFL 损失为所有正样本损失的和除以 target_scores_sum。

模型优化

1. Lightweight Classification Head

在 YOLOv8 的检测头中，分类头比回归头的参数量和计算量都要大。论文中表示在分析了分类误差和回归误差的影响后，发现回归头意义更大，因此减少分类头的开销不会对性能有较大损害。
论文的分析实验为分别用真实的回归值和分类值代替输出，使回归或分类的损失置零，最终在验证集上的精度无回归的要比无分类的高很多。个人理解就是类似单独训练两个头，已知检测框位置训练分类，和已知分类训练检测框位置，得出的结论就是针对检测框的回归任务更难，分类任务简单很多，那么分类头就可以简化一些，至少参数量没必要比回归头还多。

分类头从两个 $3\times 3$ 卷积轻量化为两个的深度可分离卷积，深度可分离卷积由一个 $3\times 3$ 的深度卷积和一个 $1\times 1$ 的逐点卷积构成。

在结构图中，卷积上方参数对应 [size, stride, padding, groups]。下面结合代码，感受 groups 对于卷积计算的影响（在深度可分离卷积中通常输入通道数和输出通道数相同，为了更直观，示例中使用不同的通道数）

import torch.nn as nn
from ptflops import get_model_complexity_infoconv1 = nn.Conv2d(64, 128, 3, 1, 1, bias=False)
conv2 = nn.Conv2d(64, 128, 3, 1, 1, groups=64, bias=False)
conv3 = nn.Conv2d(64, 128, 3, 1, 1, groups=2, bias=False)flops, params = get_model_complexity_info(conv1, (64, 320, 320), as_strings=False, print_per_layer_stat=True)
print(f"FLOPs: {flops}, {64*3*3*128*320*320}")
print(f"Parameters: {params}, {128*64*3*3}")flops, params = get_model_complexity_info(conv2, (64, 320, 320), as_strings=False, print_per_layer_stat=True)
print(f"FLOPs: {flops}, {1*3*3*128*320*320}")
print(f"Parameters: {params}, {128*1*3*3}")flops, params = get_model_complexity_info(conv3, (64, 320, 320), as_strings=False, print_per_layer_stat=True)
print(f"FLOPs: {flops}, {32*3*3*128*320*320}")
print(f"Parameters: {params}, {128*32*3*3}")

in_channels 和 out_channels 都需要可被 groups 整除，标准卷积 groups=1。可以看作把输入按通道维度划分为 groups 组，并将卷积核按输出通道即卷积核个数也划分为 groups 组，然后进行 groups 个并行的标准卷积。

2. SCDown

在这里插入图片描述
YOLOv8 使用一个标准卷积同时实现空间下采样 $h,w\to h/2,w/2$ 和通道变化 $\to 2c$ ，计算成本高。
SCDown（Spatial-channel decoupled downsampling）将上面两个操作——空间和通道解耦。先通过 $1\times 1$ 的逐点卷积调节通道数，再通过 $3\times 3$ 的深度卷积做空间下采样，在降低计算成本的同时最大限度保留信息。

3. CIB

在这里插入图片描述
在结构上 C2fCIB 就是用 CIB （compact inverted block）替换了原本 C2f 中的 Bottleneck，CIB 则是将 Bottleneck 中的标准卷积用深度卷积加逐点卷积进行替换。

论文中，计算每个 stage 最后一个 basic block 中最后一个卷积的数值秩（numerical rank），数值秩越低表示冗余越多，即可进行简化。数值秩是先计算矩阵的奇异值，奇异值大于阈值的数量为数值秩，奇异值大代表重要的信息，奇异值小代表冗余或噪声。
最终得到的结论如下图，stage 越大，模型越大，冗余越多。这里的 stage 看起来是对应了网络中的 8 个 C2f。
在这里插入图片描述
在模块替换时，大致方法为对数值秩进行排序，逐步替换，直到出现性能下降。因此不同 scale 的模型在模块选择上也有所不同。（具体原理和细节暂不深究）

4. Large-kernel Conv

用 size 较大的深度卷积可以扩大感受野，增强模型能力，但简单使用会影响针对小目标的浅层特征，也会在高分辨率阶段引入 I/O 开销和延迟。建议在小模型的深层阶段（例如 YOLOv10n 的 22 层），将 CIB 中的第二个深层卷积替换为 $7\times 7$ 和 $3\times3$ 的深度卷积，具体还是看代码比较直观。

class CIB(nn.Module):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),)class RepVGGDW(torch.nn.Module):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):return self.act(self.conv(x) + self.conv1(x))

5. PSA

在这里插入图片描述
论文中对这个模块并没有原理上的说明，主要是自注意力的开销比较大，所以设计了 PSA（Partial self-attention）对分辨率最低的特征的一半进行计算，将对于全局的学习能力以较小的计算成本融入 YOLO 中。

Attention 部分的具体计算方式结合下图和代码查看：
在这里插入图片描述

class Attention(nn.Module):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 = 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):B, C, H, W = x.shapeN = H * Wqkv = self.qkv(x)q, k, v = qkv.view(B, self.num_heads, self.key_dim*2 + self.head_dim, N).split([self.key_dim, self.key_dim, self.head_dim], dim=2)attn = ((q.transpose(-2, -1) @ k) * self.scale)attn = attn.softmax(dim=-1)x = (v @ attn.transpose(-2, -1)).view(B, C, H, W) + self.pe(v.reshape(B, C, H, W))x = self.proj(x)return x