{"notes":[{"id":"object-detection/yolov10","category":"object-detection","legacyPath":"object-detection/2405-yolov10","legacySlug":"2405-yolov10","legacyPaths":[],"title":"YOLOv10","subtitle":"Adieu, NMS","author":"Z. Yuan","paperDate":"2024-05-23","publishedOn":"2025-07-19","paperTitle":"YOLOv10: Real-Time End-to-End Object Detection","paperUrl":"https://proceedings.neurips.cc/paper_files/paper/2024/hash/c34ddd05eb089991f06f3c5dc36836e0-Abstract-Conference.html","bibliography":{"title":"YOLOv10: Real-Time End-to-End Object Detection","authors":["Ao Wang","Hui Chen","Lihao Liu","Kai Chen","Zijia Lin","Jungong Han","Guiguang Ding"],"url":"https://proceedings.neurips.cc/paper_files/paper/2024/hash/c34ddd05eb089991f06f3c5dc36836e0-Abstract-Conference.html","pdfUrl":"https://proceedings.neurips.cc/paper_files/paper/2024/file/c34ddd05eb089991f06f3c5dc36836e0-Paper-Conference.pdf","codeUrl":"https://github.com/THU-MIG/yolov10","preprint":{"id":"2405.14458","submittedOn":"2024-05-23","url":"https://arxiv.org/abs/2405.14458"},"publication":{"venue":"NeurIPS","year":2024,"kind":"conference","url":"https://proceedings.neurips.cc/paper_files/paper/2024/hash/c34ddd05eb089991f06f3c5dc36836e0-Abstract-Conference.html"},"citation":"@misc{objectdetectionyolov102024,\n  title = {{YOLOv10: Real-Time End-to-End Object Detection}},\n  author = {Ao Wang and Hui Chen and Lihao Liu and Kai Chen and Zijia Lin and Jungong Han and Guiguang Ding},\n  year = {2024},\n  eprint = {2405.14458},\n  archivePrefix = {arXiv},\n  url = {https://arxiv.org/abs/2405.14458}\n}\n","citationPath":"/content/papers/citations/object-detection/yolov10.f624ec9e20b6.bib"},"thumbnail":{"src":"/content/papers/assets/43843817d1e6667933eb36b7b588db3ca318fe74e00d2d47095426923f3a5b44.jpg","width":1614,"height":536},"locale":"fr","path":"/content/papers/fr/object-detection/yolov10.81070e8e6ec5.md","headings":[{"id":"définir-le-problème","text":"Définir le problème","depth":2},{"id":"résoudre-le-problème","text":"Résoudre le problème","depth":2},{"id":"double-attribution-des-étiquettes","text":"Double attribution des étiquettes","depth":3},{"id":"optimisation-de-lefficacité-et-de-la-précision","text":"Optimisation de l'efficacité et de la précision","depth":3},{"id":"renforcements-axés-sur-la-précision","text":"Renforcements axés sur la précision","depth":3},{"id":"détails-de-mise-en-œuvre","text":"Détails de mise en œuvre","depth":3},{"id":"discussion","text":"Discussion","depth":2},{"id":"comparaison-avec-létat-de-lart","text":"Comparaison avec l'état de l'art","depth":3},{"id":"études-dablation","text":"Études d'ablation","depth":3},{"id":"le-système-sans-nms-remplace-t-il-vraiment-lapproche-classique-","text":"Le système sans NMS remplace-t-il vraiment l'approche classique ?","depth":3},{"id":"pourquoi-alléger-le-réseau-ne-détruit-il-pas-la-précision-","text":"Pourquoi alléger le réseau ne détruit-il pas la précision ?","depth":3},{"id":"plus-de-précision-pour-presque-la-même-latence-","text":"Plus de précision, pour presque la même latence ?","depth":3},{"id":"conclusion","text":"Conclusion","depth":2}],"anchorAliases":{},"guide":null,"relatedReading":[{"id":"object-detection/yolov11","relation":"comparison","topic":"Architectures récentes de détection en temps réel"},{"id":"object-detection/yolo-tiny","relation":"comparison","topic":"Architectures récentes de détection en temps réel"}]},{"id":"object-detection/yolov11","category":"object-detection","legacyPath":"object-detection/2410-yolov11","legacySlug":"2410-yolov11","legacyPaths":[],"title":"YOLOv11","subtitle":"Une version optimisée sur le plan technique","author":"Z. Yuan","paperDate":"2024-10-23","publishedOn":"2025-08-25","paperTitle":"YOLOv11: An Overview of the Key Architectural Enhancements","paperUrl":"https://arxiv.org/abs/2410.17725","bibliography":{"title":"YOLOv11: An Overview of the Key Architectural Enhancements","authors":["Rahima Khanam","Muhammad Hussain"],"url":"https://arxiv.org/abs/2410.17725","pdfUrl":"https://arxiv.org/pdf/2410.17725","codeUrl":null,"preprint":{"id":"2410.17725","submittedOn":"2024-10-23","url":"https://arxiv.org/abs/2410.17725"},"publication":null,"citation":"@misc{objectdetectionyolov112024,\n  title = {{YOLOv11: An Overview of the Key Architectural Enhancements}},\n  author = {Rahima Khanam and Muhammad Hussain},\n  year = {2024},\n  eprint = {2410.17725},\n  archivePrefix = {arXiv},\n  url = {https://arxiv.org/abs/2410.17725}\n}\n","citationPath":"/content/papers/citations/object-detection/yolov11.86c0b646ca66.bib"},"thumbnail":{"src":"/content/papers/assets/827cb0ee834fbc08f98f948852bd7d5bb1c53ecdc2339cb09f694a143cb5bfc2.jpg","width":1224,"height":536},"locale":"fr","path":"/content/papers/fr/object-detection/yolov11.9bf6dd30c4f3.md","headings":[{"id":"définir-le-problème","text":"Définir le problème","depth":2},{"id":"résoudre-le-problème","text":"Résoudre le problème","depth":2},{"id":"backbone--de-petits-remplacements","text":"Backbone : de petits remplacements","depth":3},{"id":"c2f","text":"C2f","depth":4},{"id":"c3k2","text":"C3k2","depth":4},{"id":"c2psa","text":"C2‑PSA","depth":4},{"id":"psa-position-sensitive-attention","text":"PSA (Position-Sensitive Attention)","depth":4},{"id":"convattention-détail-du-mhsa-dans-psa","text":"ConvAttention (détail du MHSA dans PSA)","depth":4},{"id":"neck--de-petites-corrections-à-la-fusion-des-caractéristiques","text":"Neck : de petites corrections à la fusion des caractéristiques","depth":3},{"id":"head--lextension-de-la-couche-de-sortie","text":"Head : l'extension de la couche de sortie","depth":3},{"id":"intégration-de-plusieurs-tâches","text":"Intégration de plusieurs tâches","depth":3},{"id":"discussion","text":"Discussion","depth":2},{"id":"conclusion","text":"Conclusion","depth":2}],"anchorAliases":{},"guide":null,"relatedReading":[{"id":"object-detection/yolov10","relation":"comparison","topic":"Architectures récentes de détection en temps réel"},{"id":"object-detection/yolo-tiny","relation":"comparison","topic":"Architectures récentes de détection en temps réel"}]},{"id":"object-detection/yolo-tiny","category":"object-detection","legacyPath":"object-detection/2412-yolo-tiny","legacySlug":"2412-yolo-tiny","legacyPaths":[],"title":"YOLO-Tiny","subtitle":"Je suis un tout petit oiseau","author":"Z. Yuan","paperDate":"2025","publishedOn":"2025-06-20","paperTitle":"YOLO-Tiny: A lightweight small object detection algorithm for UAV aerial imagery","paperUrl":"https://ietresearch.onlinelibrary.wiley.com/doi/10.1049/ipr2.13314","bibliography":{"title":"YOLO-Tiny: A lightweight small object detection algorithm for UAV aerial imagery","authors":["Fei Feng","Lu Yang","Quanxing Zhou","Weipeng Li"],"url":"https://ietresearch.onlinelibrary.wiley.com/doi/10.1049/ipr2.13314","pdfUrl":"https://ietresearch.onlinelibrary.wiley.com/doi/pdfdirect/10.1049/ipr2.13314","codeUrl":null,"preprint":null,"publication":{"venue":"IET Image Processing","year":2025,"kind":"journal","url":"https://ietresearch.onlinelibrary.wiley.com/doi/10.1049/ipr2.13314"},"citation":"@article{objectdetectionyolotiny2025,\n  title = {{YOLO-Tiny: A lightweight small object detection algorithm for UAV aerial imagery}},\n  author = {Fei Feng and Lu Yang and Quanxing Zhou and Weipeng Li},\n  year = {2025},\n  journal = {IET Image Processing},\n  url = {https://ietresearch.onlinelibrary.wiley.com/doi/10.1049/ipr2.13314}\n}\n","citationPath":"/content/papers/citations/object-detection/yolo-tiny.526134c54500.bib"},"thumbnail":{"src":"/content/papers/assets/1094ebd50f340f6602b1a95680588cf90d248d403f3f4999b4367914bad9c7a9.jpg","width":1224,"height":456},"locale":"fr","path":"/content/papers/fr/object-detection/yolo-tiny.ed64e4f10fa0.md","headings":[{"id":"définir-le-problème","text":"Définir le problème","depth":2},{"id":"résoudre-le-problème","text":"Résoudre le problème","depth":2},{"id":"retour-sur-yolov5","text":"Retour sur YOLOv5","depth":3},{"id":"allègement-des-modules","text":"Allègement des modules","depth":3},{"id":"fusion-adaptative-à-plusieurs-échelles","text":"Fusion adaptative à plusieurs échelles","depth":3},{"id":"protocole-expérimental","text":"Protocole expérimental","depth":3},{"id":"discussion","text":"Discussion","depth":2},{"id":"comparaison-des-architectures","text":"Comparaison des architectures","depth":3},{"id":"études-dablation","text":"Études d'ablation","depth":3},{"id":"comparaison-avec-dautres-yolo","text":"Comparaison avec d'autres YOLO","depth":3},{"id":"exemples-visuels","text":"Exemples visuels","depth":3},{"id":"conclusion","text":"Conclusion","depth":2}],"anchorAliases":{},"guide":null,"relatedReading":[{"id":"object-detection/yolov10","relation":"comparison","topic":"Architectures récentes de détection en temps réel"},{"id":"object-detection/yolov11","relation":"comparison","topic":"Architectures récentes de détection en temps réel"}]}],"text":"Nous avons suivi YOLO de la v1 à la v9.\n\nAvec YOLOv10, nous pouvons enfin nous libérer de la NMS. Il était temps !\n\n## Définir le problème\n\nEn vision par ordinateur, la détection d'objets en temps réel joue un rôle indispensable.\n\nDe la conduite autonome aux robots industriels, de la réalité augmentée ou virtuelle aux systèmes d'analyse embarqués, presque toutes ces applications exigent de classer et localiser les objets avec une grande précision et une très faible latence. Pour y répondre, la recherche multiplie les détecteurs efficaces.\n\nDepuis YOLOv1, son architecture intégrée réunit backbone, neck et head, rompant avec les chaînes de détection plus complexes qui la précédaient.\n\nLes versions suivantes, de YOLOv3 à YOLOv9, ont introduit des modules comme **CSPNet**, **PAN**, **ELAN** et **GD** pour améliorer l'extraction et la fusion des caractéristiques. **SimCSPSPPF** dans YOLOv6, **E-ELAN** dans YOLOv7 et **GELAN + PGI** dans YOLOv9 cherchent aussi à gagner en précision sans perdre en vitesse.\n\nMalgré ces progrès, la plupart des modèles YOLO restent tributaires de la suppression des non-maxima, ou NMS, après la prédiction.\n\nLeur apprentissage repose en effet sur une attribution *one-to-many* : plusieurs prédictions positives correspondent à une même vérité terrain. À l'inférence, il faut donc la NMS pour retenir les meilleures boîtes. Cette étape augmente la latence, introduit des hyperparamètres sensibles et empêche une chaîne d'inférence véritablement de bout en bout.\n\nPour se passer de la NMS, les architectures *end-to-end* issues de DETR ont gagné du terrain.\n\nDETR associe un Transformer à un appariement hongrois pour attribuer les étiquettes *one-to-one*, sans cette étape de post-traitement. Deformable-DETR, DINO et RT-DETR ont ensuite amélioré la convergence et l'efficacité. RT-DETR est notamment parvenu à porter cette famille vers la détection en temps réel.\n\nMais ces modèles à Transformer peuvent-ils vraiment remplacer les CNN ?\n\nMême sans NMS, leur passage avant reste sensiblement plus lent que celui des CNN classiques, surtout sur les appareils embarqués. D'autres travaux, comme OneNet, DeFCN et FCOSpss, ont essayé de rendre les CNN compatibles avec un appariement *one-to-one* au moyen de sélecteurs d'échantillons ou de règles d'appariement, sans résoudre complètement le problème.\n\n**Peut-on sortir de ce choix à deux branches ?**\n\nPlutôt que de suivre aveuglément les Transformers ou de conserver les anciens choix de YOLO, pourquoi ne pas revoir ensemble la stratégie d'attribution des étiquettes et les goulets d'étranglement de l'architecture ? Peut-on garder les avantages du CNN dans une architecture cohérente, légère, rapide et précise ?\n\nLes auteurs tentent ici de répondre à ces questions fondamentales pour la détection d'objets en temps réel avec YOLO.\n\n## Résoudre le problème\n\nYOLOv10 suit deux axes techniques :\n\n- libérer YOLO de la NMS pour obtenir une inférence véritablement de bout en bout ;\n- réexaminer le coût et la précision de chaque composant, puis redistribuer le calcul dans l'architecture.\n\n### Double attribution des étiquettes\n\n\n\n![model_arch](/content/papers/assets/43843817d1e6667933eb36b7b588db3ca318fe74e00d2d47095426923f3a5b44.jpg)\n\n\n\nComme le montre la figure, YOLOv10 conserve le backbone, le neck et la tête de détection de YOLO, mais ajoute une **tête one-to-one** à la **tête one-to-many**. Les deux partagent le backbone et le neck ; leurs structures et objectifs d'apprentissage sont identiques. Seule la façon d'apparier les échantillons diffère.\n\nPendant l'apprentissage, la tête *one-to-many* utilise TAL (*Task-Aligned Label Assignment*) et associe plusieurs exemples positifs à chaque vérité terrain, ce qui densifie la supervision. La tête *one-to-one* ne lui associe qu'une seule boîte prédite et apprend ainsi une correspondance plus sélective.\n\nLe modèle bénéficie des deux formes de supervision pendant l'apprentissage. À l'inférence, seule la tête *one-to-one* est conservée ; la branche *one-to-many* est écartée. Les sorties ne nécessitent alors plus de NMS.\n\n\n> [!TIP]\n> \n> **Attendez, cela me rappelle quelque chose…**\n> \n> N'est-ce pas exactement ce que fait H-DETR ?\n> \n> - [**[22.07] H-DETR : la révolte des requêtes silencieuses**](/blog/papers/object-detection/h-detr)\n> \n> Dans H-DETR, les auteurs ont ajouté une tête *one-to-many* pour enrichir la supervision *one-to-one* de DETR et apprendre une distribution d'échantillons plus variée.\n> \n> YOLO et DETR sont partis de directions opposées pour finalement se rejoindre. 🤣\n\n\nCette double attribution soulève cependant un problème : si les deux têtes utilisent des règles d'appariement différentes, elles reçoivent des signaux de supervision divergents.\n\nLes auteurs proposent une réponse simple :\n\n- **un critère d'appariement cohérent (*Consistent Matching Metric*)**.\n\nLa différence entre les deux stratégies tient à la définition du score d'appariement.\n\nYOLOv10 adopte la forme commune suivante :\n\n$$\nm(\\alpha, \\beta) = s \\cdot p^\\alpha \\cdot \\text{IoU}^\\beta\n$$\n\noù :\n\n- $p$ est le score de classification prédit ;\n- $\\text{IoU}$ est le recouvrement entre la boîte prédite et la vérité terrain ;\n- $s$ est un a priori spatial qui indique si le point prédit se trouve à l'intérieur de la vérité terrain ;\n- $\\alpha$ et $\\beta$ sont des hyperparamètres pondérant la classification et la localisation.\n\nSi les deux têtes prennent des valeurs différentes de $\\alpha$ et $\\beta$, elles peuvent classer le même échantillon différemment, d'où une supervision incohérente.\n\nLes auteurs leur donnent donc les mêmes paramètres d'appariement, avec $\\alpha = 0.5$ et $\\beta = 6$ par défaut.\n\nReste à savoir si cela rapproche vraiment les deux têtes.\n\n> **Cette modification aligne-t-elle réellement leurs choix ?**\n\nLa figure (b) ci-dessus apporte un élément expérimental.\n\nSur YOLOv8-S, elle mesure si les échantillons retenus par la tête *one-to-one* figurent aussi parmi les Top-1, Top-5 et Top-10 de la tête *one-to-many*.\n\nLes couleurs correspondent aux deux réglages :\n\n- en bleu, l'appariement incohérent : $\\alpha = 0.5$ et $\\beta = 2$ pour la tête *one-to-one* ;\n- en orange, l'appariement cohérent : $\\alpha = 0.5$ et $\\beta = 6$ pour cette tête. Dans les deux cas, la tête *one-to-many* utilise $\\alpha = 0.5$ et $\\beta = 6$.\n\nAvec des paramètres cohérents, les échantillons *one-to-one* apparaissent plus souvent en haut du classement *one-to-many*. Cela étaye l'amélioration de l'alignement de la supervision, sans mesurer directement la qualité des caractéristiques.\n\n### Optimisation de l'efficacité et de la précision\n\nLes versions antérieures de YOLO ont innové module par module, mais sans toujours examiner systématiquement le coût de l'architecture entière. Les auteurs cherchent à optimiser ensemble efficacité et précision, pour que chaque unité de calcul soit mieux employée.\n\nYOLO comprend principalement quatre parties :\n\n- le *stem*, ou convolutions initiales ;\n- le sous-échantillonnage ;\n- l'empilement des blocs de chaque *stage* ;\n- la tête de détection.\n\nLe coût du *stem* étant faible, l'étude se concentre sur les trois autres parties.\n\n1. **Têtes de classification et de régression**\n\n   Elles reprennent souvent la même architecture, alors que leurs coûts diffèrent beaucoup. Sur YOLOv8-S, la tête de classification consomme 5.95 GFLOPs et 1.51 million de paramètres, soit 2.5 fois le calcul et 2.4 fois les paramètres de la tête de régression.\n\n   Dans l'expérience où les erreurs sont corrigées séparément, **corriger la régression apporte plus de gain en AP que corriger la classification**. Les auteurs allègent donc la tête de classification : deux convolutions séparables en profondeur de 3×3 suivies d'une convolution de 1×1. Elle conserve sa fonction tout en coûtant moins cher.\n\n2. **Sous-échantillonnage séparant espace et canaux**\n\n   La méthode classique utilise une convolution 3×3 de pas 2, qui réduit la résolution spatiale tout en augmentant les canaux.\n\n   Simple en apparence, elle a un coût de calcul de :\n\n   $$\n   \\mathcal{O}\\left(\\tfrac{9}{2}HWC^2\\right)\n   $$\n\n   et un nombre de paramètres de :\n\n   $$\n   \\mathcal{O}(18C^2)\n   $$\n\n   À la place, une convolution ponctuelle de 1×1 ajuste d'abord les canaux, puis une convolution en profondeur de 3×3 effectue le sous-échantillonnage.\n\n   Le calcul devient :\n\n   $$\n    \\mathcal{O}\\left(2HWC^2 + \\tfrac{9}{2}HWC\\right)\n   $$\n\n   et les paramètres :\n\n   $$\n   \\mathcal{O}(2C^2 + 18C)\n   $$\n\n   Cette séparation préserve également davantage d'informations dans les caractéristiques, afin d'accélérer le passage avant sans dégrader la précision.\n\n- **Blocs guidés par le rang**\n\n\n\n    ![rank_guided_block](/content/papers/assets/07f9f9cdc76cae09f50069338a214f04a1ced4793ad4f8cc4c4ff9f06864e66a.jpg)\n\n\n\n  YOLOv10 analyse le rang des poids à chaque *stage* pour repérer une éventuelle redondance structurelle.\n\n  Pour la dernière convolution de chaque *stage*, les auteurs calculent le **rang numérique** de la matrice des poids et le normalisent en $\\tfrac{r}{C_\\text{out}}$, où $C_\\text{out}$ est le nombre de canaux de sortie. Le seuil de rang vaut la moitié de la plus grande valeur singulière $\\lambda_{\\text{max}}$.\n\n  La figure (a) montre que **certains stages profonds et modèles plus grands présentent un rang normalisé plus faible** ; les courbes ne baissent pas uniformément d'un stage à l'autre.\n\n  Les auteurs y voient un indice de redondance possible dans certains blocs tardifs et une raison d'adapter la structure selon le *stage*.\n\n  Ils introduisent donc le **Compact Inverted Block (CIB)**, illustré en (b), qui combine convolutions en profondeur pour le mélange spatial et convolutions ponctuelles pour la fusion des canaux, à moindre coût.\n\n  Leur remplacement progressif commence au *stage* de rang le plus faible. Si la performance ne baisse pas, ils passent au suivant ; sinon, ils s'arrêtent. La structure s'adapte ainsi à la taille du modèle pour rechercher un meilleur compromis efficacité/précision.\n\n### Renforcements axés sur la précision\n\nYOLOv10 ne se contente pas de supprimer du calcul : il améliore également la modélisation sémantique de haut niveau et la prise en compte des grandes zones de l'image.\n\n- **Grands noyaux : agrandir le champ réceptif au bon endroit**\n\n  De grands noyaux élargissent le champ réceptif. Les appliquer partout pourrait cependant perturber les caractéristiques superficielles utiles aux petits objets et alourdir les couches à haute résolution.\n\n  Les auteurs passent donc uniquement le second noyau de convolution en profondeur des CIB profonds à 7×7. Une branche 3×3 reparamétrable facilite l'optimisation, puis se fusionne à la branche principale pour l'inférence, sans coût supplémentaire à cette étape.\n\n  Les grands noyaux ne sont employés que dans les petits modèles, notamment YOLOv10-N et S : les modèles plus grands disposent déjà d'un champ réceptif plus large, qui en réduit le bénéfice marginal.\n\n- **PSA : l'attention n'est pas nécessaire partout**\n\n  La matrice d'auto-attention sur $H\\times W$ positions grandit avec le carré du nombre de positions ; son coût est élevé pour un détecteur temps réel. Les auteurs proposent donc la **Partial Self-Attention (PSA)**.\n\n  Le module sépare les canaux en deux moitiés. L'une traverse une auto-attention multitête (MHSA) et un FFN, l'autre reste inchangée. Elles sont concaténées puis fusionnées par une convolution 1×1. Pour aller plus vite, les auteurs :\n\n  - réduisent de moitié la dimension des requêtes et des clés Q/K ;\n  - remplacent LayerNorm par BatchNorm ;\n  - placent le module seulement après le *stage* 4, de résolution la plus basse.\n\n  Cette auto-attention sélective ajoute des informations globales pour un coût limité et améliore la précision de classification ainsi que la cohérence sémantique.\n\n### Détails de mise en œuvre\n\nYOLOv8 sert de référence principale pour deux raisons : son équilibre vitesse-précision en fait un adversaire représentatif, et ses différentes tailles permettent de construire des comparaisons cohérentes.\n\nYOLOv10 reprend les cinq tailles N / S / M / L / X de YOLOv8 et ajoute **YOLOv10-B**, une version de YOLOv10-M élargie en largeur pour combler l'intervalle de capacité et de précision au milieu de la gamme.\n\nTous les modèles sont entraînés et évalués sur **COCO**, avec un **apprentissage à partir de zéro** comparable à celui de YOLOv8 et YOLOv9.\n\nLa latence d'inférence est mesurée sur **GPU NVIDIA T4 avec TensorRT en FP16**, afin de rendre les mesures comparables.\n\nTous les modèles YOLOv10 étudiés associent **l'apprentissage par double attribution cohérente** aux **optimisations d'architecture** : le résultat final ne tient pas à une seule modification.\n\n## Discussion\n\n### Comparaison avec l'état de l'art\n\n![results](/content/papers/assets/2e79360fe498e46319026f6e36d0e21468fc23b4af0b77628ea85b476140d536.jpg)\n\nYOLOv10 obtient des résultats favorables à plusieurs tailles de modèle.\n\nDans les cinq tailles courantes (N / S / M / L / X), par rapport aux YOLOv8 correspondants, le tableau indique :\n\n- un gain d'AP de 0.3 à 1.4 point de pourcentage ;\n- 28 % à 57 % de paramètres en moins ;\n- 23 % à 38 % de calcul en moins ;\n- jusqu'à 70 % de latence d'inférence en moins.\n\nSur ces cinq paires, YOLOv10 améliore l'AP, les paramètres, les FLOPs et la latence de bout en bout. Pour isoler la contribution de chaque choix, il faut toutefois regarder les ablations progressives plus bas.\n\nDans les comparaisons avec d'autres modèles :\n\n- **YOLOv10-N / S**, face à YOLOv6-3.0-N / S, gagnent respectivement 1.5 / 2.0 points d'AP, avec 51 % / 61 % de paramètres et 41 % / 52 % de calcul en moins ;\n- **YOLOv10-B / M**, face à YOLOv9-C et YOLO-MS, réduisent la latence de 46 % / 62 % avec une précision maintenue ou améliorée, ce qui intéresse les déploiements sensibles à la latence ;\n- **YOLOv10-L**, face à Gold-YOLO-L, emploie 68 % de paramètres en moins, réduit la latence de bout en bout de 32 % et gagne 1.4 point d'AP.\n\nCes paires choisies montrent l'intérêt de YOLOv10 pour la vitesse et l'usage des ressources. Mais YOLOv9-S, présent dans le tableau, obtient par exemple un AP supérieur à YOLOv10-S : toutes les métriques de tous les modèles ne sont pas gagnantes.\n\nLa comparaison avec des détecteurs temps réel hors de la famille YOLO est elle aussi instructive. Face à l'architecture *end-to-end* RT-DETR :\n\n- **YOLOv10-S** est 1.8 fois plus rapide que RT-DETR-R18 ;\n- **YOLOv10-X** est 1.3 fois plus rapide que RT-DETR-R101 ;\n- dans le tableau 1, leurs AP respectifs sont 46.3 contre 46.5 et 54.4 contre 54.3 : la précision reste proche dans ces deux paires.\n\n### Études d'ablation\n\n\n\n![ablation](/content/papers/assets/37cd92c5409c71f9a9df06aa3e42cb38d551458ed18c160af897e8ac1e860305.jpg)\n\n\n\nLes auteurs évaluent YOLOv10-S et YOLOv10-M en ajoutant progressivement trois groupes de modifications. Ils observent à chaque étape la latence, les paramètres, le calcul et l'AP.\n\nSur YOLOv10-S, la seule introduction de **l'apprentissage sans NMS** par double attribution cohérente fait passer la latence de bout en bout de 7.07 ms à 2.44 ms. L'AP passe cependant de 44.9 à 44.3 : la perte de 0.6 point d'AP s'accompagne d'un gain de 4.63 ms.\n\nL'ajout des **optimisations d'architecture axées sur l'efficacité** enlève, sur YOLOv10-M, **11.8 millions de paramètres et 20.8 GFLOPs**, tout en abaissant la latence de **0.65 ms**. Les blocs guidés par le rang et le sous-échantillonnage séparé contribuent ainsi à réduire la redondance du calcul.\n\nEnfin, les modules axés sur la précision donnent à YOLOv10-S **1.8 point d'AP** supplémentaire pour **0.18 ms** de plus. YOLOv10-M gagne **0.7 point d'AP** pour **0.17 ms** de plus. La version M n'emploie pas les grands noyaux : son gain à cette étape vient de la PSA. Comme les modifications sont cumulatives, ce tableau ne sépare pas la contribution propre de chacun des deux modules.\n\n### Le système sans NMS remplace-t-il vraiment l'approche classique ?\n\nMalgré sa faible latence et ses bons résultats globaux, l'apprentissage sans NMS conserve, selon les auteurs, un écart de précision par rapport à l'attribution classique suivie de NMS.\n\nCet écart varie toutefois avec la taille du modèle.\n\nSur YOLOv10-X, les deux stratégies atteignent 54.4 AP. Sur le petit YOLOv10-N, l'AP sans NMS reste inférieur de 1.0 point à celui de l'entraînement classique.\n\nPourquoi ? Les auteurs supposent qu'une attribution *one-to-one* dépend davantage de caractéristiques discriminantes : chaque vérité terrain ne reçoit qu'un seul échantillon positif, que les petits modèles ont peut-être plus de mal à choisir correctement.\n\nPour examiner cette hypothèse, ils tracent la figure suivante :\n\n\n\n![anchor_cosine_similarity](/content/papers/assets/19eb48ca64627c1294b6f9e4b1bfa3dc2ee35fb56bbaf906e27c954e28feb964.jpg)\n\n\n\nSur l'ensemble de validation COCO, ils calculent pour chaque *anchor* la similarité cosinus moyenne entre ses caractéristiques et celles des autres *anchors*.\n\nLa similarité moyenne décroît lorsque le modèle grandit. Les auteurs y voient des caractéristiques plus discriminantes, favorables à l'appariement *one-to-one* ; cette figure ne démontre cependant pas, à elle seule, la cause de l'écart d'AP.\n\nUne interprétation plausible se dessine donc : dans cette famille YOLOv10, la capacité des petits modèles pourrait accentuer l'écart d'AP entre les deux stratégies, tandis que l'écart plus faible des grands modèles va dans le même sens que la tendance des similarités.\n\n### Pourquoi alléger le réseau ne détruit-il pas la précision ?\n\nYOLOv10 mise sur trois modifications pour l'efficacité : une tête de classification légère, un sous-échantillonnage séparant espace et canaux, et une allocation des blocs guidée par le rang.\n\nLes expériences montrent une baisse des paramètres et du calcul avec peu de perte de précision.\n\nPlus précisément, la simplification de la tête de classification fait passer l'AP de 44.3 à 44.2 ; l'analyse des erreurs montre qu'à ce stade, corriger les erreurs de régression est plus profitable. Le gain de 0.7 point d'AP du sous-échantillonnage provient d'une comparaison avec l'ordre alternatif DW→PW, et non d'une ligne unique du tableau cumulatif plus haut. Remplacer les *stages* 8 et 4 par des CIB guidés par le rang ne réduit pas l'AP, tandis que l'ajout du *stage* 7 le fait passer de 44.5 à 44.3.\n\n### Plus de précision, pour presque la même latence ?\n\nAprès les optimisations d'efficacité, YOLOv10 introduit deux modules pour améliorer la précision : les **convolutions à grands noyaux** et la **Partial Self-Attention (PSA)**. Ils renforcent le champ réceptif et la modélisation sémantique pour une faible latence supplémentaire, surtout dans les petits modèles.\n\nSur YOLOv10-S, l'ajout successif des noyaux 7×7 puis de la PSA apporte respectivement **0.4** et **1.4 point d'AP**, pour **0.03 ms** et **0.15 ms** de latence supplémentaires.\n\nLes grands modèles disposent déjà d'un large champ réceptif, d'où un gain marginal plus faible des grands noyaux ; seuls les petits modèles, comme YOLOv10-N / S, les reçoivent.\n\nDans l'ablation de YOLOv10-S, la PSA est **0.05 ms plus rapide** qu'un bloc Transformer complet de comparaison et lui est supérieure de **0.3 point d'AP**. Les auteurs pensent que l'attention sur une partie des canaux peut réduire la redondance et faciliter l'optimisation. Passer d'un à deux blocs PSA apporte encore 0.2 point d'AP, mais coûte 0.10 ms de plus : la configuration par défaut n'en garde donc qu'un.\n\n## Conclusion\n\nGrâce à un apprentissage **sans NMS** et à une architecture allégée dans son ensemble, YOLOv10 propose une chaîne d'inférence plus simple et un meilleur compromis vitesse-précision pour la détection d'objets en temps réel.\n\nPour les développeurs, le principal intérêt est la **simplicité du déploiement** : une étape NMS en moins et un ensemble d'opérateurs mieux circonscrit rendent le modèle plus facile à maintenir et à optimiser dans TensorRT ou ONNX Runtime.\n\nLes retours pratiques de l'industrie restent toutefois contrastés :\n\n- sur GPU de serveur ou sur un Jetson Orin haut de gamme, YOLOv10-M/B peut souvent conserver un AP comparable à YOLOv8 avec 30 à 40 % de calcul en moins, un atout pour les flux vidéo multiples et la forte concurrence ;\n- sur NPU ou appareil mobile, l'avantage en latence dépend du support matériel des convolutions en profondeur, des grands noyaux et de la PSA. Il arrive que YOLOv10 soit moins rapide que YOLOv8 ou YOLOv9.\n\nSur le plus petit modèle, l'apprentissage sans NMS présente encore environ un point d'AP d'écart : améliorer le pouvoir discriminant des petites architectures reste une piste importante.\n\nEn pratique, vérifiez donc le support des opérateurs sur votre plateforme et mesurez les performances avant de choisir !\n","imageSizes":{"/content/papers/assets/43843817d1e6667933eb36b7b588db3ca318fe74e00d2d47095426923f3a5b44.jpg":{"width":1614,"height":536},"/content/papers/assets/07f9f9cdc76cae09f50069338a214f04a1ced4793ad4f8cc4c4ff9f06864e66a.jpg":{"width":1224,"height":480},"/content/papers/assets/2e79360fe498e46319026f6e36d0e21468fc23b4af0b77628ea85b476140d536.jpg":{"width":1192,"height":1080},"/content/papers/assets/37cd92c5409c71f9a9df06aa3e42cb38d551458ed18c160af897e8ac1e860305.jpg":{"width":1224,"height":352},"/content/papers/assets/19eb48ca64627c1294b6f9e4b1bfa3dc2ee35fb56bbaf906e27c954e28feb964.jpg":{"width":1224,"height":248}}}
