目标检测这几年有两个非常容易混淆的概念：

• Anchor-Free

• 无需 NMS**（End-to-End）**

很多人会误以为：

既然 Anchor-Free 直接回归框，那是不是就不需要 NMS 了？

答案是：不一定。

本文将系统讲清楚：

1. Anchor-Free 到底解决了什么问题

2. 为什么 YOLOv8 还是需要 NMS

3. YOLOv10 为什么可以去掉 NMS

4. DETR 和 YOLOv10 的本质区别

5. 三种范式的核心思想差异

在 Anchor-Based 方法中：

• 每个特征点对应多个预定义宽高比的 anchor

• 模型学习的是：在某个 anchor 基础上做偏移回归

本质是：

先给一个“初始框模板”，再在这个模板上微调。

在 YOLOv8 中：

• 不再使用预定义 anchor

• 每个特征点直接回归 bbox（如 l， t， r， b）

• 不依赖 anchor 的形状

看起来像是：

直接预测框 → 应该不会重复 → 不需要 NMS？

但事实并非如此。

关键在于一个概念：

Dense Prediction（密集预测）

YOLO 系列本质是：

• 每个特征点都会预测一个候选框

• 多尺度特征图（P3 / P4 / P5）都会输出

假设一个目标覆盖 3×3 个特征点：

• 这 9 个位置都可能成为正样本

• 都会回归出一个高质量框

结果：

• 同一个目标 → 多个高分框

• 推理阶段必须用 NMS 去重

Anchor-Free 解决的是：

框的定义方式

NMS 解决的是：

多个预测指向同一个目标的问题

两者不是同一个问题。

YOLOv8 采用：

One-to-Many Label Assignment

意思是：

• 一个 GT 可以匹配多个预测

• 多个位置都会学习这个目标

• 推理阶段会产生多个高分框

• 必须使用 NMS

总结：

YOLOv8 = Anchor-Free + Dense Prediction + One-to-Many + NMS

YOLOv10 的核心创新是：

引入 One-to-One 分配机制

但它不是简单替换，而是采用 **Dual Assignment Strategy（双分配机制）**。

• 一个分支使用 One-to-Many（保证精度与收敛稳定）

• 一个分支使用 One-to-One（学习唯一匹配）

两个分支同时训练。

• 只保留 One-to-One 分支

• 每个目标只输出一个框

• 自然不需要 NMS

总结：

YOLOv10 = Dense 结构 + One-to-One 输出 + 无 NMS

DETR 不是密集网格预测。

• 固定数量 object queries（例如 100 个）

• 每个 query 输出一个 bbox

• 使用 Hungarian Matching 做全局一对一匹配

训练时：

每个 GT 只匹配一个 query

未匹配的 query 被监督为背景。

因此：

• 一个目标只会有一个预测

• 不需要 NMS

虽然两者都不需要 NMS，但实现方式完全不同。

核心区别：

• DETR 是 结构上避免重复

• YOLOv10 是 训练策略上避免重复

• Anchor-Based

• One-to-Many

• 需要 NMS

• Anchor-Free

• 仍然 One-to-Many

• 仍然需要 NMS

• One-to-One

• 不需要 NMS

区别在于：

• YOLOv10：密集检测 + One-to-One 分配

• DETR：Query-Based 集合预测

判断是否需要 NMS 的核心问题是：

训练阶段是否允许多个预测同时学习同一个 GT？

• 允许 → 必须 NMS

• 不允许 → 不需要 NMS

Anchor-Free 与是否需要 NMS 没有直接因果关系。

Anchor-Free 解决的是“框怎么定义”，One-to-One 解决的是“是否重复预测”，DETR 重构的是“检测问题本身”。