Yolov8与Yolov10有何差异？后处理实现如何？

Yolo模型可分为4个维度的概念 模型版本、数据集、模型变体（Variants）、动态/静态模型。 Yolo各模型版本进展历史 Yolov（2015年华盛顿大学的 Joseph Redmon 和 Ali Farhadi 发布） Yolov2（2016年Joseph Redmon发布） Yolov3（2018年Joseph Redmon发布） Yolov4（2020年Alexey Bochkovskiy发布） Yolov5（2018年Glen Jocher发布） Yolov6（2022年美团团队发布） Yolov7（2022年WongKinYiu发布） Yolov8（2023年Ultralytics发布） Yolov9（2023年发布） Yolov10（2024年清华大学团队发布） 其中Yolov10是刚刚2024年5月底才刚发布的，其中v10实现了一个无NMS的架构，具有一致的双重分配，显著减少了后处理时间，并改善了整体延迟，让后处理变得更简单很多。 数据集（用于训练） COCO（Common Objects in Context） COCO旨在鼓励对各种对象类别的研究，通常用于对计算机视觉模型进行基准测试。 COCO 包含 330K 张图像，其中 200K 张图像带有对象检测、分割和字幕任务的注释。 该数据集仅包含 80 个对象类别，包括汽车、自行车和动物、雨伞、手提包和运动器材等常见对象。 用途主要是拿来比较各种AI模型的优劣的，不适合实际商业用途。 COCO数据集下载地址：https://cocodataset.org/#download OIV7（Open Image V7 ） Open Image V7 是 Google 倡导的多功能、广泛的数据集。它旨在推动计算机视觉领域的研究，拥有大量标注有大量数据的图像900万张，在边界框标注的 190 万张图像中，支持涵盖 600 个对象类别，包含的 1600 万个边界框。这些边界框主要由专家手工绘制，确保高精度。数据集总体积有561GB。 数据集下载地址：https://storage.googleapis.com/openimages/web/download_v7.html 注：目前Yolov8有Open Image V7和COCO两种数据集已经有别人训练好了的权重文件。 而Yolov10因为是刚出来只找到COCO一种数据集训练好的权重文件，也就是说Yolov10只能识别80种物体，除非我们自己去训练。 模型变体（Variants） 下面只列出来我有尝试过导出了的： YOLOv8-N / YOLOv10-N：适用于资源极其受限的环境的纳米版本。 YOLOv8-S / YOLOv10-S：平衡速度和准确度的小型版本。 YOLOv8-M / YOLOv10-M：适用于通用用途的中型版本。 YOLOv10-B：平衡版本，宽度增加，准确度更高。 YOLOv8-L / YOLOv10-L：大型版本，以增加计算资源为代价，实现更高的准确度。 YOLOv8-X / YOLOv10-X：超大型版本，可实现最大准确度和性能。 注：v10有6种，v8只有5种。 v8和v10的coco数据集分别占体积大小见下截图： 动态/静态模型 模型支持导出成静态模型和动态模型，静态模型是[1,3,640,640]，要求宽高符合32对齐。 动态模型则没有要求，其中v8的动态模型会随着输入尺寸不同，输出的尺寸会跟着变化。 而v10输入尺寸无论怎样，输出的尺寸都是固定的[1,300,6]。 我已将动态静态两种处理方式都融合在一份代码上，根据加载后的模型推理后的输出长度是否等于1800来判断是否是v10，均可在其内部进行处理。