深入解析 YOLOv10 检测推理核心DetectionPredictor 后处理管线与端到端推理实战【免费下载链接】yolov10YOLOv10: Real-Time End-to-End Object Detection [NeurIPS 2024]项目地址: https://gitcode.com/GitHub_Trending/yo/yolov10DetectionPredictor是 Ultralytics YOLO 系列本仓库即 YOLOv10 项目中负责目标检测推理的核心类它将模型前向推理与检测结果后处理封装为一条完整的流水线。本文以 docs/en/reference/models/yolo/detect/predict.md 所引用的 API 文档为主体结合仓库中 ultralytics/models/yolo/detect/predict.py、ultralytics/engine/predictor.py 等源码与 ultralytics/cfg/default.yaml 配置文件带你从源码级别理解检测推理的全过程并掌握 YOLOv10 特有的无 NMS 端到端推理实现与各类推理参数的实战用法。读完本文你将能独立定制检测推理参数、理解 NMS 后处理的每个细节并能在自己的 Python 项目中直接实例化DetectionPredictor完成推理。DetectionPredictor检测推理的入口类DetectionPredictor定义于 ultralytics/models/yolo/detect/predict.py从源码L8-L21可以看到它直接继承自BasePredictorfrom ultralytics.engine.predictor import BasePredictor from ultralytics.engine.results import Results from ultralytics.utils import ops class DetectionPredictor(BasePredictor): A class extending the BasePredictor class for prediction based on a detection model.它通过 ultralytics/models/yolo/detect/init.py 对外导出__all__ DetectionPredictor, DetectionTrainer, DetectionValidator是 YOLO detect 任务统一的推理组件。在 YOLOv10 中模型通过task_map见 ultralytics/models/yolov10/model.py将detect任务映射到YOLOv10DetectionPredictor后者又继承自DetectionPredictor形成BasePredictor → DetectionPredictor → YOLOv10DetectionPredictor的完整继承链。DetectionPredictor的 docstring 中给出了最直接的实例化用法这是绕开高层YOLO封装、直接驱动推理引擎的标准方式from ultralytics.utils import ASSETS from ultralytics.models.yolo.detect import DetectionPredictor args dict(modelyolov8n.pt, sourceASSETS) predictor DetectionPredictor(overridesargs) predictor.predict_cli()其中overrides字典中的每个键值都会合并到默认配置DEFAULT_CFG之上predict_cli()以生成器方式消费所有推理结果不会在内存中累积详见 ultralytics/engine/predictor.py。推理全链路BasePredictor 的生命周期DetectionPredictor自身只重写了postprocess其余环节预处理、前向、保存、显示全部复用父类BasePredictor的stream_inference主循环。从 ultralytics/engine/predictor.py 可以梳理出一次完整推理的标准流水线模型装载setup_model通过AutoBackend加载权重支持 PyTorch、TorchScript、ONNX、OpenVINO、TensorRT、CoreML、TFLite、PaddlePaddle、NCNN 等多种后端同时完成设备选择select_device、FP16 开关half与模型融合fuseTrue见 ultralytics/engine/predictor.py数据源装载setup_sourceload_inference_source统一处理图片、视频、目录、glob、URL、YouTube、RTSP/RTMP 流、屏幕截图等输入并校验imgsz见 ultralytics/engine/predictor.py预处理preprocess将输入统一转为 BCHW 的torch.Tensor执行 BGR→RGB、BHWC→BCHW、归一化除以 255及半/单精度转换见 ultralytics/engine/predictor.py尺寸适配pre_transform使用LetterBox对图像做等比缩放与填充autosame_shapes and self.model.pt决定是否自动对齐步长见 ultralytics/engine/predictor.py前向推理inference调用self.model(im, augment..., visualize..., embed...)其中augment控制是否启用测试时增强TTA见 ultralytics/engine/predictor.py后处理postprocess调用子类实现的postprocess下文详述结果写出write_results按需执行save、save_txt、save_crop、show并统计每张图片的 preprocess/inference/postprocess 三段耗时写入results[i].speed见 ultralytics/engine/predictor.py。主循环在 ultralytics/engine/predictor.py 中逐 batch 推进并在整个stream_inference过程中持有self._lockthreading.Lock()这是框架支持线程安全推理的底层机制。整个推理还通过run_callbacks(on_predict_start / on_predict_batch_start / on_predict_postprocess_end / on_predict_batch_end / on_predict_end)暴露回调钩子便于集成日志、可视化等外部逻辑见 ultralytics/engine/predictor.py。postprocess 核心NMS 非极大值抑制详解DetectionPredictor唯一重写的方法就是postprocess见 ultralytics/models/yolo/detect/predict.pydef postprocess(self, preds, img, orig_imgs): Post-processes predictions and returns a list of Results objects. preds ops.non_max_suppression( preds, self.args.conf, self.args.iou, agnosticself.args.agnostic_nms, max_detself.args.max_det, classesself.args.classes, ) if not isinstance(orig_imgs, list): # input images are a torch.Tensor, not a list orig_imgs ops.convert_torch2numpy_batch(orig_imgs) results [] for i, pred in enumerate(preds): orig_img orig_imgs[i] pred[:, :4] ops.scale_boxes(img.shape[2:], pred[:, :4], orig_img.shape) img_path self.batch[0][i] results.append(Results(orig_img, pathimg_path, namesself.model.names, boxespred)) return results这段代码清晰展示检测后处理的三个步骤NMS 过滤调用ops.non_max_suppression将模型的原始输出张量shape 为(batch, 4 nc, num_anchors)转成每张图片的(num_boxes, 6)张量列为x1, y1, x2, y2, conf, cls。坐标还原scale_boxes将预测框从输入imgsz坐标空间缩放回原始图像尺寸orig_img.shape保证输出的框坐标与用户看到的原图对齐。封装结果为每张图片构造一个Results对象并带上原图、图片路径与类别名表self.model.names。non_max_suppression的实现位于 ultralytics/utils/ops.py其中与DetectionPredictor直接对应的参数及源码行为如下参数传入来源默认值源码行为conf_thresargs.conf0.25低于该置信度的候选框被丢弃xc prediction[:, 4:mi].amax(1) conf_thresops.py#L220iou_thresargs.iou0.7IoU 阈值重叠超过该值的框在torchvision.ops.nms中被抑制ops.py#L282agnosticargs.agnostic_nmsFalse为 True 时对坐标加c x[:, 5:6] * 0类无关 NMS所有类别合并抑制否则按类别偏移max_wh逐类做 NMSops.py#L275-L281max_detargs.max_det300每张图片保留的最大检测框数classesargs.classesNone非 None 时仅保留指定类别 ID 的框x x[(x[:, 5:6] torch.tensor(classes, devicex.device)).any(1)]ops.py#L264-L265此外该函数还内置了max_nms30000超出后按置信度排序截断与单图时间上限max_time_img0.05s的保护机制防止极端输入导致 NMS 阶段卡死ops.py#L222-L224。需要特别指出的是默认配置中conf为空时BasePredictor.__init__会将其回退为 0.25见 ultralytics/engine/predictor.py因此即使不显式传参推理也会有一个 25% 的最低置信度门槛。YOLOv10 特化无 NMS 的端到端后处理传统 YOLO 系含 YOLOv8依赖 NMS 消除重复框而 YOLOv10 通过 one-to-one 标签分配在训练阶段即实现了端到端检测推理时不再需要 NMS。这一差异体现在YOLOv10DetectionPredictor的postprocess中见 ultralytics/models/yolov10/predict.pyclass YOLOv10DetectionPredictor(DetectionPredictor): def postprocess(self, preds, img, orig_imgs): if isinstance(preds, dict): preds preds[one2one] if isinstance(preds, (list, tuple)): preds preds[0] if preds.shape[-1] 6: pass else: preds preds.transpose(-1, -2) bboxes, scores, labels ops.v10postprocess(preds, self.args.max_det, preds.shape[-1]-4) bboxes ops.xywh2xyxy(bboxes) preds torch.cat([bboxes, scores.unsqueeze(-1), labels.unsqueeze(-1)], dim-1) mask preds[..., 4] self.args.conf if self.args.classes is not None: mask mask (preds[..., 5:6] torch.tensor(self.args.classes, devicepreds.device).unsqueeze(0)).any(2) preds [p[mask[idx]] for idx, p in enumerate(preds)] ...其关键差异点可归纳为one2one 分支输出YOLOv10 模型的前向输出是包含one2one与one2many两个分支的字典推理只取one2one分支即训练中用于匹配的一对一预测头去除 NMS不再调用non_max_suppression而是用ops.v10postprocess直接选出每张图置信度最高的max_det个框再拼接为(x1, y1, x2, y2, conf, cls)格式轻量过滤仅用conf阈值与classes类别掩码做简单布尔过滤mask preds[..., 4] self.args.conf随后依旧通过scale_boxes还原坐标并封装为Results。这也解释了为什么在 YOLOv10 中调节iou参数对推理结果基本不产生影响——推理路径上已经没有 NMS 环节iou仅在校验val等仍使用传统后处理的场景生效。推理参数配置从 default.yaml 到 predict() 调用所有推理行为都由 ultralytics/cfg/default.yaml 中的# Predict settings与# Visualize settings两组配置驱动BasePredictor.__init__通过get_cfg(cfg, overrides)将用户传入的overrides覆盖到默认值之上。关键参数及用途如下推理控制参数参数默认值说明source无推理数据源图片、视频、目录、URL、屏幕screen、摄像头等conf0.25回退值检测置信度阈值过低会产生大量假阳性iou0.7NMS 的 IoU 阈值越小抑制越激进YOLOv10 推理路径不使用imgsz640推理输入尺寸可为 int 或[h, w]max_det300每图最大检测框数device无cpu/cuda:0/0,1,2,3等halfFalse半精度 FP16 推理需后端支持vid_stride1视频跳帧步长1 可提速stream_bufferFalseTrue 时缓存视频流全部帧augmentFalse测试时增强TTA提升鲁棒性但降低速度agnostic_nmsFalse类无关 NMS多类重叠场景可用classes无按类别 ID 过滤如classes0或classes[0,2,3]embed无从指定层抽取特征向量/嵌入可视化与保存参数参数默认值说明showFalse弹窗显示标注结果saveFalse保存标注后的图片/视频save_framesFalse视频按帧保存save_txtFalse输出[class] [x_center] [y_center] [width] [height] [conf]格式的标签文件save_confFalse在 txt 中附带置信度save_cropFalse裁剪保存每个检测目标show_labels/show_conf/show_boxesTrue / True / True控制标注是否显示标签、置信度、框line_width无框线宽为 None 时按图尺寸自适应这些参数既可以通过 CLI 传入也可以在 Python 中通过model.predict(...)或直接构造DetectionPredictor传入。CLI 等价形式示例仓库 docs 中 docs/en/modes/predict.md 有完整论述yolo predict modelyolov10n.pt sourcehttps://ultralytics.com/images/bus.jpg \ imgsz640 conf0.5 max_det100 saveTrue save_txtTruePython 侧的标准用法model.predict(bus.jpg, saveTrue, imgsz320, conf0.5)最终同样会走到DetectionPredictor.postprocess只是把参数经overrides层层传递下来。结果对象 Results读取与加工检测输出postprocess返回的是Results对象列表而非裸张量每个Results承载了该图片的全部检测信息定义于 ultralytics/engine/results.pyAPI 参考见 docs/en/reference/engine/results.md。常用属性与方法包括boxesBoxes对象提供xyxy、xywh、xyxyn、xywhn坐标属性以及conf、cls、id张量orig_img/orig_shape原始图像与原始尺寸names类别名映射字典speedpreprocess/inference/postprocess 三段耗时毫秒plot()返回叠加了标注的 BGR numpy 图像数组save_txt()/save_crop()导出标签或裁剪图tojson()序列化为 JSON便于与下游系统对接。一个典型的遍历示例from ultralytics import YOLO model YOLO(yolov10n.pt) results model([bus.jpg, zidane.jpg]) # 返回 Results 列表 for r in results: print(r.boxes.xyxy, r.boxes.conf, r.boxes.cls) # 框坐标、置信度、类别 r.save(filenamef{r.path}.jpg) # 保存标注图对于视频与长任务务必使用streamTrue让predict()返回生成器逐帧消费Results避免把所有帧的结果一次性加载进内存仓库在 ultralytics/engine/predictor.py 的STREAM_WARNING中明确给出了该告警与推荐用法。小结一套可定制、可扩展的检测推理体系从 docs/en/reference/models/yolo/detect/predict.md 的 API 引用出发可以还原出完整的检测推理图景DetectionPredictor以BasePredictor的预处理—前向—后处理流水线为骨架仅聚焦于检测任务的后处理定制YOLOv10 进一步以YOLOv10DetectionPredictor移除 NMS实现真正的端到端推理所有行为均通过 ultralytics/cfg/default.yaml 中明确定义的参数暴露给用户。理解这条继承链与每个参数在源码中的落点conf/iou/agnostic_nms/max_det/classes直通 ultralytics/utils/ops.py 的non_max_suppression坐标还原走scale_boxes结果统一封装为Results你就能在二次开发、性能调优或部署集成时精准定位并定制每一个推理环节。【免费下载链接】yolov10YOLOv10: Real-Time End-to-End Object Detection [NeurIPS 2024]项目地址: https://gitcode.com/GitHub_Trending/yo/yolov10创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 深入解析 YOLOv10 检测推理核心：DetectionPredictor 后处理管线与端到端推理实战
深入解析 YOLOv10 检测推理核心DetectionPredictor 后处理管线与端到端推理实战【免费下载链接】yolov10YOLOv10: Real-Time End-to-End Object Detection [NeurIPS 2024]项目地址: https://gitcode.com/GitHub_Trending/yo/yolov10DetectionPredictor是 Ultralytics YOLO 系列本仓库即 YOLOv10 项目中负责目标检测推理的核心类它将模型前向推理与检测结果后处理封装为一条完整的流水线。本文以 docs/en/reference/models/yolo/detect/predict.md 所引用的 API 文档为主体结合仓库中 ultralytics/models/yolo/detect/predict.py、ultralytics/engine/predictor.py 等源码与 ultralytics/cfg/default.yaml 配置文件带你从源码级别理解检测推理的全过程并掌握 YOLOv10 特有的无 NMS 端到端推理实现与各类推理参数的实战用法。读完本文你将能独立定制检测推理参数、理解 NMS 后处理的每个细节并能在自己的 Python 项目中直接实例化DetectionPredictor完成推理。DetectionPredictor检测推理的入口类DetectionPredictor定义于 ultralytics/models/yolo/detect/predict.py从源码L8-L21可以看到它直接继承自BasePredictorfrom ultralytics.engine.predictor import BasePredictor from ultralytics.engine.results import Results from ultralytics.utils import ops class DetectionPredictor(BasePredictor): A class extending the BasePredictor class for prediction based on a detection model.它通过 ultralytics/models/yolo/detect/init.py 对外导出__all__ DetectionPredictor, DetectionTrainer, DetectionValidator是 YOLO detect 任务统一的推理组件。在 YOLOv10 中模型通过task_map见 ultralytics/models/yolov10/model.py将detect任务映射到YOLOv10DetectionPredictor后者又继承自DetectionPredictor形成BasePredictor → DetectionPredictor → YOLOv10DetectionPredictor的完整继承链。DetectionPredictor的 docstring 中给出了最直接的实例化用法这是绕开高层YOLO封装、直接驱动推理引擎的标准方式from ultralytics.utils import ASSETS from ultralytics.models.yolo.detect import DetectionPredictor args dict(modelyolov8n.pt, sourceASSETS) predictor DetectionPredictor(overridesargs) predictor.predict_cli()其中overrides字典中的每个键值都会合并到默认配置DEFAULT_CFG之上predict_cli()以生成器方式消费所有推理结果不会在内存中累积详见 ultralytics/engine/predictor.py。推理全链路BasePredictor 的生命周期DetectionPredictor自身只重写了postprocess其余环节预处理、前向、保存、显示全部复用父类BasePredictor的stream_inference主循环。从 ultralytics/engine/predictor.py 可以梳理出一次完整推理的标准流水线模型装载setup_model通过AutoBackend加载权重支持 PyTorch、TorchScript、ONNX、OpenVINO、TensorRT、CoreML、TFLite、PaddlePaddle、NCNN 等多种后端同时完成设备选择select_device、FP16 开关half与模型融合fuseTrue见 ultralytics/engine/predictor.py数据源装载setup_sourceload_inference_source统一处理图片、视频、目录、glob、URL、YouTube、RTSP/RTMP 流、屏幕截图等输入并校验imgsz见 ultralytics/engine/predictor.py预处理preprocess将输入统一转为 BCHW 的torch.Tensor执行 BGR→RGB、BHWC→BCHW、归一化除以 255及半/单精度转换见 ultralytics/engine/predictor.py尺寸适配pre_transform使用LetterBox对图像做等比缩放与填充autosame_shapes and self.model.pt决定是否自动对齐步长见 ultralytics/engine/predictor.py前向推理inference调用self.model(im, augment..., visualize..., embed...)其中augment控制是否启用测试时增强TTA见 ultralytics/engine/predictor.py后处理postprocess调用子类实现的postprocess下文详述结果写出write_results按需执行save、save_txt、save_crop、show并统计每张图片的 preprocess/inference/postprocess 三段耗时写入results[i].speed见 ultralytics/engine/predictor.py。主循环在 ultralytics/engine/predictor.py 中逐 batch 推进并在整个stream_inference过程中持有self._lockthreading.Lock()这是框架支持线程安全推理的底层机制。整个推理还通过run_callbacks(on_predict_start / on_predict_batch_start / on_predict_postprocess_end / on_predict_batch_end / on_predict_end)暴露回调钩子便于集成日志、可视化等外部逻辑见 ultralytics/engine/predictor.py。postprocess 核心NMS 非极大值抑制详解DetectionPredictor唯一重写的方法就是postprocess见 ultralytics/models/yolo/detect/predict.pydef postprocess(self, preds, img, orig_imgs): Post-processes predictions and returns a list of Results objects. preds ops.non_max_suppression( preds, self.args.conf, self.args.iou, agnosticself.args.agnostic_nms, max_detself.args.max_det, classesself.args.classes, ) if not isinstance(orig_imgs, list): # input images are a torch.Tensor, not a list orig_imgs ops.convert_torch2numpy_batch(orig_imgs) results [] for i, pred in enumerate(preds): orig_img orig_imgs[i] pred[:, :4] ops.scale_boxes(img.shape[2:], pred[:, :4], orig_img.shape) img_path self.batch[0][i] results.append(Results(orig_img, pathimg_path, namesself.model.names, boxespred)) return results这段代码清晰展示检测后处理的三个步骤NMS 过滤调用ops.non_max_suppression将模型的原始输出张量shape 为(batch, 4 nc, num_anchors)转成每张图片的(num_boxes, 6)张量列为x1, y1, x2, y2, conf, cls。坐标还原scale_boxes将预测框从输入imgsz坐标空间缩放回原始图像尺寸orig_img.shape保证输出的框坐标与用户看到的原图对齐。封装结果为每张图片构造一个Results对象并带上原图、图片路径与类别名表self.model.names。non_max_suppression的实现位于 ultralytics/utils/ops.py其中与DetectionPredictor直接对应的参数及源码行为如下参数传入来源默认值源码行为conf_thresargs.conf0.25低于该置信度的候选框被丢弃xc prediction[:, 4:mi].amax(1) conf_thresops.py#L220iou_thresargs.iou0.7IoU 阈值重叠超过该值的框在torchvision.ops.nms中被抑制ops.py#L282agnosticargs.agnostic_nmsFalse为 True 时对坐标加c x[:, 5:6] * 0类无关 NMS所有类别合并抑制否则按类别偏移max_wh逐类做 NMSops.py#L275-L281max_detargs.max_det300每张图片保留的最大检测框数classesargs.classesNone非 None 时仅保留指定类别 ID 的框x x[(x[:, 5:6] torch.tensor(classes, devicex.device)).any(1)]ops.py#L264-L265此外该函数还内置了max_nms30000超出后按置信度排序截断与单图时间上限max_time_img0.05s的保护机制防止极端输入导致 NMS 阶段卡死ops.py#L222-L224。需要特别指出的是默认配置中conf为空时BasePredictor.__init__会将其回退为 0.25见 ultralytics/engine/predictor.py因此即使不显式传参推理也会有一个 25% 的最低置信度门槛。YOLOv10 特化无 NMS 的端到端后处理传统 YOLO 系含 YOLOv8依赖 NMS 消除重复框而 YOLOv10 通过 one-to-one 标签分配在训练阶段即实现了端到端检测推理时不再需要 NMS。这一差异体现在YOLOv10DetectionPredictor的postprocess中见 ultralytics/models/yolov10/predict.pyclass YOLOv10DetectionPredictor(DetectionPredictor): def postprocess(self, preds, img, orig_imgs): if isinstance(preds, dict): preds preds[one2one] if isinstance(preds, (list, tuple)): preds preds[0] if preds.shape[-1] 6: pass else: preds preds.transpose(-1, -2) bboxes, scores, labels ops.v10postprocess(preds, self.args.max_det, preds.shape[-1]-4) bboxes ops.xywh2xyxy(bboxes) preds torch.cat([bboxes, scores.unsqueeze(-1), labels.unsqueeze(-1)], dim-1) mask preds[..., 4] self.args.conf if self.args.classes is not None: mask mask (preds[..., 5:6] torch.tensor(self.args.classes, devicepreds.device).unsqueeze(0)).any(2) preds [p[mask[idx]] for idx, p in enumerate(preds)] ...其关键差异点可归纳为one2one 分支输出YOLOv10 模型的前向输出是包含one2one与one2many两个分支的字典推理只取one2one分支即训练中用于匹配的一对一预测头去除 NMS不再调用non_max_suppression而是用ops.v10postprocess直接选出每张图置信度最高的max_det个框再拼接为(x1, y1, x2, y2, conf, cls)格式轻量过滤仅用conf阈值与classes类别掩码做简单布尔过滤mask preds[..., 4] self.args.conf随后依旧通过scale_boxes还原坐标并封装为Results。这也解释了为什么在 YOLOv10 中调节iou参数对推理结果基本不产生影响——推理路径上已经没有 NMS 环节iou仅在校验val等仍使用传统后处理的场景生效。推理参数配置从 default.yaml 到 predict() 调用所有推理行为都由 ultralytics/cfg/default.yaml 中的# Predict settings与# Visualize settings两组配置驱动BasePredictor.__init__通过get_cfg(cfg, overrides)将用户传入的overrides覆盖到默认值之上。关键参数及用途如下推理控制参数参数默认值说明source无推理数据源图片、视频、目录、URL、屏幕screen、摄像头等conf0.25回退值检测置信度阈值过低会产生大量假阳性iou0.7NMS 的 IoU 阈值越小抑制越激进YOLOv10 推理路径不使用imgsz640推理输入尺寸可为 int 或[h, w]max_det300每图最大检测框数device无cpu/cuda:0/0,1,2,3等halfFalse半精度 FP16 推理需后端支持vid_stride1视频跳帧步长1 可提速stream_bufferFalseTrue 时缓存视频流全部帧augmentFalse测试时增强TTA提升鲁棒性但降低速度agnostic_nmsFalse类无关 NMS多类重叠场景可用classes无按类别 ID 过滤如classes0或classes[0,2,3]embed无从指定层抽取特征向量/嵌入可视化与保存参数参数默认值说明showFalse弹窗显示标注结果saveFalse保存标注后的图片/视频save_framesFalse视频按帧保存save_txtFalse输出[class] [x_center] [y_center] [width] [height] [conf]格式的标签文件save_confFalse在 txt 中附带置信度save_cropFalse裁剪保存每个检测目标show_labels/show_conf/show_boxesTrue / True / True控制标注是否显示标签、置信度、框line_width无框线宽为 None 时按图尺寸自适应这些参数既可以通过 CLI 传入也可以在 Python 中通过model.predict(...)或直接构造DetectionPredictor传入。CLI 等价形式示例仓库 docs 中 docs/en/modes/predict.md 有完整论述yolo predict modelyolov10n.pt sourcehttps://ultralytics.com/images/bus.jpg \ imgsz640 conf0.5 max_det100 saveTrue save_txtTruePython 侧的标准用法model.predict(bus.jpg, saveTrue, imgsz320, conf0.5)最终同样会走到DetectionPredictor.postprocess只是把参数经overrides层层传递下来。结果对象 Results读取与加工检测输出postprocess返回的是Results对象列表而非裸张量每个Results承载了该图片的全部检测信息定义于 ultralytics/engine/results.pyAPI 参考见 docs/en/reference/engine/results.md。常用属性与方法包括boxesBoxes对象提供xyxy、xywh、xyxyn、xywhn坐标属性以及conf、cls、id张量orig_img/orig_shape原始图像与原始尺寸names类别名映射字典speedpreprocess/inference/postprocess 三段耗时毫秒plot()返回叠加了标注的 BGR numpy 图像数组save_txt()/save_crop()导出标签或裁剪图tojson()序列化为 JSON便于与下游系统对接。一个典型的遍历示例from ultralytics import YOLO model YOLO(yolov10n.pt) results model([bus.jpg, zidane.jpg]) # 返回 Results 列表 for r in results: print(r.boxes.xyxy, r.boxes.conf, r.boxes.cls) # 框坐标、置信度、类别 r.save(filenamef{r.path}.jpg) # 保存标注图对于视频与长任务务必使用streamTrue让predict()返回生成器逐帧消费Results避免把所有帧的结果一次性加载进内存仓库在 ultralytics/engine/predictor.py 的STREAM_WARNING中明确给出了该告警与推荐用法。小结一套可定制、可扩展的检测推理体系从 docs/en/reference/models/yolo/detect/predict.md 的 API 引用出发可以还原出完整的检测推理图景DetectionPredictor以BasePredictor的预处理—前向—后处理流水线为骨架仅聚焦于检测任务的后处理定制YOLOv10 进一步以YOLOv10DetectionPredictor移除 NMS实现真正的端到端推理所有行为均通过 ultralytics/cfg/default.yaml 中明确定义的参数暴露给用户。理解这条继承链与每个参数在源码中的落点conf/iou/agnostic_nms/max_det/classes直通 ultralytics/utils/ops.py 的non_max_suppression坐标还原走scale_boxes结果统一封装为Results你就能在二次开发、性能调优或部署集成时精准定位并定制每一个推理环节。【免费下载链接】yolov10YOLOv10: Real-Time End-to-End Object Detection [NeurIPS 2024]项目地址: https://gitcode.com/GitHub_Trending/yo/yolov10创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考