YOLO（You Only Look Once，你只看一眼）因其快速的對象檢測算法而聞名。它的速度和效率使其成為計算機視覺（CV）領域中對象檢測的標準方法。YOLO 可以實時處理圖像，使其非常適合自動駕駛、安全監控和零售分析等應用。

YOLO 是如何工作的？

考慮圖像分類的場景，目標是確定圖像是否包含狗或人。當涉及到圖像分類，我們應該確定它是否是狗還是人 - 如果是狗，就是1，如果是人，就是0，就像上面的圖像 - 只有狗存在！但在對象檢測算法中 - 我們考慮一種叫做對象定位的東西。除了上述解釋的圖像分類數據，我們還傳遞了邊界框。

邊界框

{Pc, Bx, By, Bw, Bh, C1, C2}
{1 , 50, 70, 60, 70, 1 , 0}

• Pc — 類別的概率，如果兩種類別都不出現，它將是0，否則是1。
• Bx 和 By — 注釋框的中心坐標 - 它將覆蓋正好只有類別 - 在這個例子中是狗。
• Bw 和 Bh — 注釋框的寬度和高度。
• C1 — 狗類別 - 因為狗存在 - 它是1。
• C2 — 人類別 - 因為人不存在 - 它是0。

顯然，如果沒有對象 - Pc 將是0，其余的將沒有值！

如果我們在圖像中有多個對象怎么辦？當圖像中存在多個對象時，YOLO 將圖像劃分為網格，然后預測每個網格單元的邊界框和類別概率。允許模型同時檢測和定位多個對象。例如，如果網格大小是 4x4，每個單元將產生一個預測向量。假設每個預測向量由 7 個單元組成（Pc, Bx, By, Bw, Bh, C1, C2），整體預測張量的大小將是 4x4x7。

如果圖像包含重疊對象，如一個人抱著一只狗，也會使用相同的方法。

訓練神經網絡由于圖像及其相應的向量都已獲得 - 我們可以將圖像樣本視為輸入數據 - 其相應的向量樣本作為輸出數據傳遞給神經網絡。現在這些數據樣本及其相應的輸入和輸出矩陣可以輸入到神經網絡中 - 當涉及到隱藏狀態中的節點數量、激活函數等時，可以調整和調整神經網絡！獲得最佳組合以獲得最佳準確率。

輸出將是模型所做的網格單元分隔的大小。如果是 4x4，輸出將是 16 個向量。

它之所以被稱為 YOLO - You Only Look Once  - 是因為模型在單次前向傳播中完成所有預測。這有效地允許模型快速檢測模式和對象，無論網格單元的數量如何。

對象檢測模型的問題盡管 YOLO 可以被認為是用于對象檢測的最佳模型之一 - 但所有模型都不完美。當涉及到 YOLO 時，可能會有重疊邊界框的問題。

考慮上面有兩個人的圖像：一個人和一只狗。YOLO 最初可能會為這些對象檢測到多個邊界框，在上述背景下 - 結果是五個邊界框，而理想情況下應該只有兩個（每個對象一個）。

邊界框重疊

當多個預測覆蓋同一個對象時，就會發生重疊的邊界框。這種冗余需要解決，以確保模型輸出最準確和最小的邊界框集。

交集比并集（IoU）

為了解決重疊的邊界框問題，YOLO 使用了一種稱為交集比并集（IoU）的技術。IoU 是一種度量兩個邊界框之間重疊的指標。

IoU = Intersect Area / Union Area 

• 交集面積：兩個邊界框重疊的區域。
• 并集面積：兩個邊界框合并覆蓋的總面積。

如果兩個邊界框完全重疊，IoU 值是 1。如果它們根本不重疊，IoU 值是 0。

非最大抑制（NMS）

為了消除冗余的邊界框，YOLO 應用了非最大抑制（NMS）：

• 計算置信度分數：每個邊界框都被分配一個置信度分數，代表對象存在的可能性。
• 選擇最高置信度框：選擇置信度分數最高的邊界框。
• 抑制重疊框：任何與選定框的 IoU 超過某個閾值（例如，0.5）的邊界框都被抑制（即，移除）。

重復：這個過程對剩余的框重復進行，直到只剩下最自信、不重疊的框為止。

但 YOLO v10 消除了 NMS 的需求 - 簡化了預測過程，提高了效率，而不影響模型的準確性！

YOLO v10：性能和比較

最新版本的 YOLO，YOLO v10，由于幾個引人注目的原因，被認為是最佳和最改進的版本 - 這里是為什么：

• 更高的準確性 - 考慮到開篇的第一張圖表 - 我們可以注意到，與以前的版本甚至其他模型相比，該模型產生了更高的 COCO AP 水平！清楚地表明 - YOLOX 模型（特別是 YOLOX-L） - 總體上表現最佳。
• 改進的延遲 - （延遲是模型對輸入的響應時間）即使準確性更高 - YOLO v10 保持低延遲 - 使其靈活且有益于實時應用！
• 更好的對象定位 - 對象檢測的主要挑戰是處理重疊的邊界框。幸運的是，YOLO v10 模型結合了高級技術，如 IoU 和 NMS，有效地處理重疊框，以獲得更準確的邊界框預測。導致更準確的對象檢測模型！
• 更低的參數計數 - 在開篇的第二張圖表中 - 我們可以得出結論，YOLO v10 模型可以用更少的參數準確預測。使其適合在資源受限的環境中部署。盡管我們可以指定一個 YOLO v10 模型是最好的 - 這都取決于用例。

以下是 YOLO v10 模型的所有變體列表 - 每個都有其自己的優勢：

結論

雖然 YOLO v10 在準確性、延遲和效率方面都有所提高 - 但一切都取決于你正在處理的用例，因為對于每個用例，可能都有一個最適合的模型！盡管如此，根據提供的證據 - YOLO v10 作為領先的對象檢測模型脫穎而出！

官方 GitHub ：https://github.com/THU-MIG/yolov10?tab=readme-ov-file

論文：https://arxiv.org/abs/2405.14458