Yolov8和Yolov10的差异以及后处理实现

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。

Demo截图

Yolov8的后处理代码：

std::vector<YoloResult> filterYolov8Detections(
    float* inputs, float confidence_threshold,
    int num_channels, int num_anchors, int num_labels,
    int infer_img_width, int infer_img_height
    )
{
    std::vector<YoloResult> detections;
    cv::Mat output =
        cv::Mat((int)num_channels, (int)num_anchors,
                CV_32F, inputs).t();

    for (int i = 0; i < num_anchors; i++) {
        auto  row_ptr    = output.row(i).ptr<float>();
        auto  bboxes_ptr = row_ptr;
        auto  scores_ptr = row_ptr + 4;
        auto  max_s_ptr  = std::max_element(scores_ptr, scores_ptr + num_labels);
        float score      = *max_s_ptr;
        if (score > confidence_threshold) {
            float x = *bboxes_ptr++;
            float y = *bboxes_ptr++;
            float w = *bboxes_ptr++;
            float h = *bboxes_ptr;

            float x0 = std::clamp((x - 0.5f * w), 0.f, (float)infer_img_width);
            float y0 = std::clamp((y - 0.5f * h), 0.f, (float)infer_img_height);
            float x1 = std::clamp((x + 0.5f * w), 0.f, (float)infer_img_width);
            float y1 = std::clamp((y + 0.5f * h), 0.f, (float)infer_img_height);

            cv::Rect_<float> bbox;
            bbox.x      = x0;
            bbox.y      = y0;
            bbox.width  = x1 - x0;
            bbox.height = y1 - y0;
            YoloResult object;
            object.object_id = max_s_ptr - scores_ptr;
            object.score = score;
            object.box = bbox;
            detections.emplace_back(object);
        }
    }
    return detections;
}

Yolov10的后处理代码：

std::vector<YoloResult> filterYolov10Detections(
    const std::vector<float> &inputs, float confidence_threshold)
{
    std::vector<YoloResult> detections;
    const int num_detections = inputs.size() / 6;
    for (int i = 0; i < num_detections; ++i)
    {
        float left = inputs[i * 6 + 0];
        float top = inputs[i * 6 + 1];
        float right = inputs[i * 6 + 2];
        float bottom = inputs[i * 6 + 3];
        float confidence = inputs[i * 6 + 4];
        int class_id = inputs[i * 6 + 5];

        if (confidence >= confidence_threshold)
        {
            cv::Rect_<float> bbox;
            bbox.x = left;
            bbox.y = top;
            bbox.width = right - left;
            bbox.height = bottom - top;
            detections.push_back({class_id, confidence, bbox});
        }
    }
    return detections;
}