【YOLO系列改进】YOLOv8融合YOLOv10的NMS-Free减少推理时间

YOLOv10是清华大学研究人员研发的一种新的实时目标检测方法，它解决了YOLO以前版本在后处理和模型架构方面的不足。关于YOLOv10中的NMS-free（无NMS）设计，这是其重要的创新点之一，通过NMS-free消除了后处理时间导致的推理延迟。

github链接：GitHub - THU-MIG/yolov10: YOLOv10: Real-Time End-to-End Object Detection

原论文地址：https://arxiv.org/abs/2405.14458

代码本人已经移植到YOLOv8中，并且成功实验，后处理时间为0。

一、NMS-free设计的背景

非极大值抑制（NMS, Non-Maximum Suppression）是目标检测中常用的一种后处理技术，用于去除多余的检测框，只保留最佳的检测框。然而，NMS会增加模型的推理时间，特别是在实时检测场景中，这会成为影响性能的一个关键因素。YOLOv10针对这一问题，提出了NMS-free的设计，以减少推理延迟并提高实时性。

二、NMS-free设计的实现

YOLOv10通过引入一致的双重分配（Consistent Dual Assignments）来消除对NMS的需求。具体来说，它采用了以下策略：

1. 双重标签分配：YOLOv10在训练过程中为每个对象生成多个预测，同时采用一对一（one-to-one）和一对多（one-to-many）的标签分配方式。一对一匹配只将每个预测分配给一个真实值，类似于匈牙利匹配方法，但训练时间更短；而一对多匹配保留了原始结构和优化目标，受益于密集的监督。

2. 双头设计：YOLOv10在模型中引入了一对多头和一对一头。一对多头保留了原始YOLO的结构，用于训练过程中提供丰富的监督信号；而一对一头则使用一对一匹配来获得标签分配，以减少推理时的计算成本。在推理过程中，仅使用一对一头进行预测，从而避免了NMS后处理。

3. 匹配度量：为了分配标签，YOLOv10使用了一种综合考虑分类和回归任务的匹配度量。该度量同时考虑了分类分数、预测框和真实框之间的交并比（IOU），以及超参数α和β。

YOLOv8-nmsFree.yml配置文件如下

# Ultralytics YOLO 🚀, AGPL-3.0 license
# YOLOv8 object detection model wi