本文共 825 字，大约阅读时间需要 2 分钟。
本文来源公众号“OpenCV与AI深度学习”，仅用于学术分享，侵权删，干货满满。
原文链接：
对YOLOv10模型进行微调以增强肾结石检测，将诊断时间从每份报告15-25分钟大幅缩短至每秒处理约150份报告。这项研究面向医学研究人员、医疗保健专业人士和AI公司，通过以数据为中心的技术，无需改变模型架构，即可获得94.1的mAP50。
Ao Wang、Hui Chen等人最近发布了他们的YOLOv10实现。在他们的论文中，作者将NMS Free Training的概念融入到了YOLO检测流程中。然而，问题是——它是什么，它又有何不同？
要理解这一点，重要的是要了解非最大抑制（NMS）是如何工作的。在Juan Terven和Diana Cordova-Esparza的论文中，展示了NMS的工作算法。
NMS是一种后处理技术，用于减少重叠边界框的数量并提高整体检测质量。它通过过滤掉冗余和不相关的边界框，只保留最准确的边界框。以下图展示了该算法的更好的可视化效果。
传统上，一对多分配提供丰富的监督，但需要NMS后处理。相比之下，一对一分配更简单且无NMS，但提供较弱的监督，影响准确性和收敛性。为了解决这些问题，双标签分配在传统的一对多头旁边引入了第二个一对一头。
两个头在训练期间联合运行，通过一对多设置的全面监督增强模型。只有更高效的一对一头用于推理，从而减少计算开销。该方法利用一对一匹配中的前一选择，性能与匈牙利匹配相当，但训练复杂度降低。
为了评估模型的性能，研究者引入了一致性匹配度量。该度量通过比较模型输出和真实标注之间的一致性来衡量检测质量。以下图展示了该度量的具体实现。
在本研究文章中，我们使用了一个包含大量肾结石图像的多模态医学数据集。该数据集涵盖了多种成像模式和病理特征，为模型的训练和验证提供了丰富的数据支持。
转载地址：http://xesfk.baihongyu.com/