YOLOv10涨点改进：改进检测头（Partial_C_v10Detect）检测头结构创新，实现涨点
目录
1，YOLOv10介绍
1.1 C2fUIB介绍
1.2 PSA介绍
1.3 SCDown
1.Partial C v10Detect原理介绍
1.1 Partial Convolution
3.v10Detect二次创新引入到yolov10
3.1 修改ultralytics/nn/modules/head.py
第一处修改:PConv加入以下代码
1，YOLOv10介绍
论文:https://arxiv.org/pdf/2405.14458
代码:GitHub -THU-MlG/yolov10:YOLOv10: Real-Time End-to-End Object Detection
摘要:在过去的几年里，由于其在计算成本和检测性能之间的有效平衡，YOLOS已经成为实时目标检测领域的主导范例。研究人员已经探索了YOLOS的架构设计、优化目标、数据增强策略等，并取得了显著进展。然而，对用于后处理的非最大抑制(NMS)的依赖妨碍了YOLOS的端到端部署，并且影响了推理延迟。此外，YOLOS中各部件的设计缺乏全面和彻底的检査，导致明显的计算冗余，限制了模型的性能。这导致次优的效率，以及相当大的性能改讲潜力。在这项工作中，我们的目标是从后处理和模型架构两个方面进一步推进YOLOS的性能,效率边界。为此，我们首先提出了用于YOLOS无NMS训练的持续双重分配，该方法带来了有竞争力的性能和低推理延迟。此外，我们还介绍了YOLOS的整体效率-精度驱动模型设计策略。我们从效率和精度两个角度对YOLOS的各个组件进行了全面优化，大大降低了计算开销，增强了性能。我们努力的成果是用于实时端到端对象检测的新一代YOLO系列，称为YOLOV10。广泛的实验表明，YOLOV10在各种模型规模上实现了最先进的性能和效率，例如，在COCO上的类似AP下，