YOLOV10训练集制作+Train+Val记录

代码地址：THU-MIG/yolov10: YOLOv10: Real-Time End-to-End Object Detection (github.com)

一、数据制作

在这篇文章有讲过如何制作数据集及代码实现

YOLOV9训练集制作+Train+Val记录_yolov9 train yaml-CSDN博客

二、配置文件

（1）代码结构，主要看下面这两个就好了

（2）创建自己数据集的yaml配置文件

（3）预训练权重下载，网盘的是pt模型。（官方的预训练权重现在放到了huggingface, 格式好像不太跟之前的不太一样，我个人不知道怎么使用，有会的可以指导一下）

网盘链接：链接：https://pan.baidu.com/s/17AyMlMTLW7iJaRKDf2VG1w?pwd=1234 
提取码：1234 

（4）网盘里面有一个yolov8n.pt文件，把它放到yolov10目录下

三、训练代码

路径修改成自己对应的路径

from ultralytics import YOLOv10
import torch

if __name__ == '__main__':

    model_yaml_path = "ultralytics/cfg/models/v10/yolov10s.yaml"
    data_yaml_path = "ultralytics/cfg/datasets/my_data.yaml"
    pretrain_model_path = "weights/yolov10s.pt"

    device = "cuda" if torch.cuda.is_available() else "cpu"
    model = YOLOv10(model_yaml_path).load(pretrain_model_path)
    # print(model)
    model.train(data=data_yaml_path, epochs=800, batch=10, imgsz=640)

四、预测代码

import os

from ultralytics import YOLOv10

model_path = "runs/detect/train2/weights/best.pt"  # 自己训练完之后的模型路径，默认保存在run文件夹下
img_folder = 图片路径
model = YOLOv10(model_path)
for img_name in os.listdir(img_folder):
    if not img_name.endswith(".jpg"):
        continue
    img_path = os.path.join(img_folder, img_name)
    results = model.predict(img_path)
    # 显示检测结果
    results[0].show()

有用就点赞收藏 :)