基于YOLOv10的红外车辆目标检测（环境搭建，实际验证和测试）

0 引言

既YOLOv9发布后，清华团队也在2024.05.23发布了YOLOv10，秉承着以以测试为主的心态进行了环境搭建（其中有部分坑），并进行了模型效果测试。
论文：YOLOv10: Real-Time End-to-End Object Detection
github仓库地址：https://github.com/THU-MIG/yolov10?tab=readme-ov-file

1 环境搭建

1.1 在官方仓库的给定的使用python=3.9版本，则使用conda创建对应虚拟环境。

conda create -n yolov10 python=3.9

1.2 切换到对应虚拟环境

conda activate yolov10

1.3 在指定目录下克隆yolov10官方仓库代码

git clone https://github.com/THU-MIG/yolov10.git

1.4 进入对应本地yolov10目录下安装对应依赖项

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple/

1.5 安装对应的包

pip install -e .

2 中间遇到的问题

2.1 问题1：无法使用对应的cuda

由于直接安装的依赖项是cpu版本的torch，需重新安装对应版本的torch
以cuda12.1的版本为例，安装torch 2.3.0的命令如下

conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia

2.2 问题2:训练时提示AttributeError: partially initialized module ‘charset_normalizer’ has no attribute ‘md__mypyc’ (most likely due to a circular import)

更新charset-normalizer模块即可

pip install --force-reinstall charset-normalizer==3.1.0

2.3 关于模型训练时，会下载yolov8n.pt的原因

团队成员在5月29日给出了回复，说是为了检查amp而已，但在python端口下载可能会比较慢，建议直接复制网址通过网络下载并将该文件放在项目路径下，即可完成该过程。

3 模型训练及测试效果

yolov10的模型训练和调用与yolov8相似，本地自建了一个1000来张的红外车辆检测数据集（私有），其数据集的结构如下：

对车辆进行简单的分类和对其中轮胎区域进行检测，则data.yaml的内容如下所示：

path: D:\yolov10\data\img_data  # dataset root dir
train: train\images  # train images
val: val\images  # val images
test: test\images # test images (optional)
# Classes
nc: 3  # number of classes
names:
  0: car
  1: truck
  2: tire

官网仓库下载预训练权重yolov10s.pt文件到目录，使用如下命令对数据集进行训练

yolo detect train data=data/data.yaml model=yolov10s.pt epochs=100 batch=16 imgsz=640 device=0

过程中使用RTX4090，其训练速度相对较快，仅在11分钟不到的时间，即可完成训练，其对应的检测结果如下图
所示。

3 结论

针对yolov10的目标检测，对比次新的yolov9而言，其精度提升并未太明显，但从边缘端的部署情况来看，其效果相值得期待。