YOLOv10: Real-Time End-to-End Object Detection

Over the past years, YOLOs have emerged as the predominant paradigm in the field of real-time object detection owing to their effective balance between computational cost and detection performance. Researchers have explored the architectural designs, optimization objectives, data augmentation strategies, and others for YOLOs, achieving notable progress. However, the reliance on the non-maximum suppression (NMS) for post-processing hampers the end-to-end deployment of YOLOs and adversely impacts the inference latency. Besides, the design of various components in YOLOs lacks the comprehensive and thorough inspection, resulting in noticeable computational redundancy and limiting the model's capability. It renders the suboptimal efficiency, along with considerable potential for performance improvements. In this work, we aim to further advance the performance-efficiency boundary of YOLOs from both the post-processing and model architecture. To this end, we first present the consistent dual assignments for NMS-free training of YOLOs, which brings competitive performance and low inference latency simultaneously. Moreover, we introduce the holistic efficiency-accuracy driven model design strategy for YOLOs. We comprehensively optimize various components of YOLOs from both efficiency and accuracy perspectives, which greatly reduces the computational overhead and enhances the capability. The outcome of our effort is a new generation of YOLO series for real-time end-to-end object detection, dubbed YOLOv10. Extensive experiments show that YOLOv10 achieves state-of-the-art performance and efficiency across various model scales. For example, our YOLOv10-S is 1.8$\times$ faster than RT-DETR-R18 under the similar AP on COCO, meanwhile enjoying 2.8$\times$ smaller number of parameters and FLOPs. Compared with YOLOv9-C, YOLOv10-B has 46\% less latency and 25\% fewer parameters for the same performance.

한 줄 요약

YOLOv10은 NMS 제거와 효율-정확도 균형 설계를 통해 실시간 엔드투엔드 객체 탐지 성능을 대폭 향상시킨 새로운 YOLO 시리즈이다.

핵심 기여도

NMS-free 학습을 위한 **일관된 이중 할당**(consistent dual assignments)을 제안하여, 높은 정확도와 낮은 추론 지연을 동시에 달성.
**전반적인 효율-정확도 중심 모델 설계 전략**(holistic efficiency-accuracy driven model design)을 도입하여 계산 오버헤드를 줄이고 모델 능력을 향상.
YOLOv10-S는 RT-DETR-R18 대비 **1.8× 빠른 추론 속도**와 **2.8× 적은 파라미터 및 FLOPs**를 보임.
YOLOv10-B는 YOLOv9-C 대비 **46% 적은 지연**과 **25% 적은 파라미터**를 유지하면서 동일한 성능 달성.

핵심 아이디어

YOLOv10은 기존 YOLO 시리즈의 두 가지 주요 한계를 해결하기 위해 설계되었다. 첫째, NMS가 추론 단계에서 불필요한 계산과 지연을 유발하므로, **NMS-free 학습**을 가능하게 하는 **일관된 이중 할당** 메커니즘을 도입했다. 이는 one-to-many(one-to-many branch)와 one-to-one(one-to-one branch) 브랜치 간의 일관된 매칭 메트릭을 통해 학습 과정에서 풍부한 감독을 유지하면서 추론 시 NMS를 생략할 수 있게 한다. 둘째, YOLO의 다양한 구성 요소(예: 다운샘플링, 분류 헤드, 블록 구조)가 효율과 정확도를 동시에 고려하지 못한 점을 개선하기 위해 **전반적인 효율-정확도 중심 설계 전략**을 제안했다. 이는 **경량 분류 헤드**, **공간-채널 분리 다운샘플링**, **랭크 가이드 블록 설계**, **부분 자기 주의 모듈**(partial self-attention module) 등을 포함한다.

기술적 접근법

**NMS-free 학습**: 일관된 이중 할당(consistent dual assignments)을 통해 one-to-many와 one-to-one 브랜치를 동시에 학습.
**모델 설계 전략**:
**경량 분류 헤드**(lightweight classification head): 분류 오류가 성능에 미치는 영향이 작아, 효율성 향상 가능.
**공간-채널 분리 다운샘플링**(spatial-channel decoupled downsampling): 정보 손실을 최소화하면서 다운샘플링 효율성 향상.
**랭크 가이드 블록 설계**(rank-guided block design): 블록 별로 효율적 구조를 적용하여 파라미터 수와 FLOPs를 줄임.
**부분 자기 주의 모듈**(partial self-attention module): 정확도 향상을 위한 추가적인 표현력 제공.
**모델 버전**: YOLOv10-N, S, M, B, L, X 등 다양한 규모의 모델 제공.

주요 결과

**COCO 데이터셋**에서 YOLOv10-S는 RT-DETR-R18 대비 **1.8× 빠른 추론 속도**와 **2.8× 적은 파라미터 및 FLOPs**를 보임.
YOLOv10-B는 YOLOv9-C 대비 **46% 적은 지연**과 **25% 적은 파라미터**를 유지하면서 동일한 성능 달성.
YOLOv10-L/X는 YOLOv8-L/X 대비 **1.8× 및 2.3× 적은 파라미터 수**로 **0.3 AP 및 0.5 AP 높은 정확도**를 보임.
YOLOv10-M은 YOLOv9-M/YOLO-MS 대비 **23%/31% 적은 파라미터 수**로 동일 AP 달성.

의의 및 한계

YOLOv10은 기존 YOLO 시리즈의 NMS 의존성과 계산적 중복 문제를 해결하여, 실시간 엔드투엔드 객체 탐지 분야에서 새로운 기준을 제시한다. 특히, **NMS-free 학습**과 **전반적인 효율-정확도 중심 설계**는 실용적 응용에서 중요한 가치를 제공한다. 또한, 다양한 모델 규모(YOLOv10-N/X)를 제공함으로써 다양한 성능-효율성 요구사항을 충족할 수 있다. 그러나, 일부 복잡한 블록(예: 부분 자기 주의 모듈)은 추가적인 최적화가 필요할 수 있으며, **모든 블록에서 효율적 설계가 가능하지는 않다는 점**이 한계로 작용할 수 있다.

실용적 활용

YOLOv10은 **자율 주행**, **로봇 네비게이션**, **실시간 객체 추적** 등 지연 민감한 응용 분야에서 유용하게 사용될 수 있다. 특히, **경량 분류 헤드**와 **랭크 가이드 블록 설계**는 모바일 및 임베디드 환경에서도 높은 성능과 낮은 에너지 소비를 제공할 수 있다.