YOLOv10训练报错：AttributeError: ‘str‘ object has no attribute ‘view‘ 解决方法

---

专栏目录：《YOLOv8改进有效涨点》专栏介绍 & 专栏目录 | 目前已有40+篇内容，内含各种Head检测头、损失函数Loss、Backbone、Neck、NMS等创新点改进

---

对YOLOv10感兴趣的同学可以先看YOLOv8，因为改进方式大部分一样，我也会尽快更新相关的教程  

YOLOv10训练报错

YOLOv10是在YOLOv8基础上修改的，即：训练方法和过程是相同的。

但按照v8训练程序train.py，如下所示，直接训练：

from ultralytics import YOLO

# Load a model
model = YOLO("ultralytics/cfg/models/v8/yolov8n.yaml")  # build a new 
# train
model.train(data='dataset/data.yaml',
                cache=False,
                imgsz=640,
                epochs=100,
                batch=16,
                close_mosaic=0,
                workers=4,
                device='0',
                optimizer='SGD', # using SGD
                amp=False, # close amp
                project='runs/train',
                name='exp',
                )

 会提示以下错误：

AttributeError: ‘str’ object has no attribute ‘view’

解决方法

把代码中的YOLO改为YOLOv10即可，注意下面代码第一行和第三行。

from ultralytics import YOLOv10   

# Load a model
model = YOLOv10("ultralytics/cfg/models/v10/yolov10n.yaml") 
# train
model.train(data='dataset/data.yaml',
                cache=False,
                imgsz=640,
                epochs=100,
                batch=16,
                close_mosaic=0,
                workers=4,
                device='0',
                optimizer='SGD', # using SGD
                amp=False, # close amp
                project='runs/train',
                name='exp',
                )

 当然这个是基于你下载的YOLOv10的官方仓库的代码，即THU-MIG/yolov10: YOLOv10: Real-Time End-to-End Object Detection (github.com)

但是现在ultralytics已经将YOLOv10添加到其仓库中 ，根据官方提供的说明，用ultralytics也可以运行yolov10，启动脚本如下：

from ultralytics import YOLO

# Load YOLOv10n model from scratch
model = YOLO("yolov10n.yaml")

# Train the model
model.train(data="coco8.yaml", epochs=100, imgsz=640)

 即和YOLOv8的启动脚本是一样的。不用再导入YOLOv10，也大概率不会产生这样的错误了。

---

YOLOv10创新点回顾：

创新点

无NMS的一致双分配(consistent dual assignments)：

YOLOv10提出了一种通过双标签分配而不用非极大值抑制NMS的策略。这种方法结合了一对多和一对一分配策略的优势，提高了效率并保持了性能。

效率-精度驱动的模型设计(Holistic Efficiency-Accuracy Driven Model Design)：

轻量化分类头：在不显著影响性能的情况下，减少了计算开销。

空间-通道解耦下采样：解耦空间下采样和通道调整，优化计算成本。

基于秩的块设计：根据各阶段的内在秩适应块设计，减少冗余，提高效率。

大核卷积和部分自注意力PSA：在不显著增加计算成本的情况下，增强了感受野和全局建模能力。

一致双分配策略（Consistent Dual Assignments）

YOLOv10引入了一种新的双分配策略，用于在训练期间同时利用一对多（one-to-many）和一对一（one-to-one）标签分配。这种方法在保持模型高效训练的同时，摆脱了推理过程中对非极大值抑制NMS的依赖。

双标签分配（Dual Label Assignments）

一对多分配：在训练期间，多个预测框被分配给一个真实物体标签。这种策略提供了丰富的监督信号，优化效果更好。

一对一分配：仅一个预测框被分配给一个真实物体标签，避免了NMS，但由于监督信号较弱，容易导致收敛速度慢和性能欠佳。

双头架构：模型在训练期间使用两个预测头，一个使用一对多分配，另一个使用一对一分配。这样，模型可以在训练期间利用一对多分配的丰富监督信号，而在推理期间则使用一对一分配的预测结果，从而实现无NMS的高效推理。

---

根据官方的代码，画出C2fCIB的模块图，代码中有两种结构，因此画了两张图 ，因为整体的结构和YOLOv8的是一样的，因此不再画出整个YOLOv10的结构图

class CIB(nn.Module):
    """Standard bottleneck."""
 
    def __init__(self, c1, c2, shortcut=True, e=0.5, lk=False):
        """Initializes a bottleneck module with given input/output channels, shortcut option, group, kernels, and
        expansion.
        """
        super().__init__()
        c_ = int(c2 * e)  # hidden channels
        self.cv1 = nn.Sequential(
            Conv(c1, c1, 3, g=c1),
            Conv(c1, 2 * c_, 1),
            Conv(2 * c_, 2 * c_, 3, g=2 * c_) if not lk else RepVGGDW(2 * c_),
            Conv(2 * c_, c2, 1),
            Conv(c2, c2, 3, g=c2),
        )
 
        self.add = shortcut and c1 == c2
 
    def forward(self, x):
        """'forward()' applies the YOLO FPN to input data."""
        return x + self.cv1(x) if self.add else self.cv1(x)
 
class C2fCIB(C2f):
    """Faster Implementation of CSP Bottleneck with 2 convolutions."""
 
    def __init__(self, c1, c2, n=1, shortcut=False, lk=False, g=1, e=0.5):
        """Initialize CSP bottleneck layer with two convolutions with arguments ch_in, ch_out, number, shortcut, groups,
        expansion.
        """
        super().__init__(c1, c2, n, shortcut, g, e)
        self.m = nn.ModuleList(CIB(self.c, self.c, shortcut, e=1.0, lk=lk) for _ in range(n))

YOLOv10引入了额外的one-to-one头部，通过双分配策略，在训练时提供更丰富的监督信息，而在推理时则利用one-to-one头部进行高效预测，从而无需NMS后处理。此外，YOLOv10从效率和准确性两个方面全面优化了YOLO的各个组件，包括轻量级分类头部、空间-通道解耦的下采样层、基于秩的模块设计等，以降低计算冗余并提升模型性能。 

YOLOv10检测器的提出不仅为实时目标检测领域带来了新的突破，也展示了通过后处理和模型设计的联合优化，同时提升效率和精度的有效思路。YOLOv10检测器有望在自动驾驶、机器人导航、物体跟踪等实际应用中得到广泛应用，为实时目标检测任务带来更高的效率。

对于后处理，我们提出了用于NMS-free训练的一致双分配策略，实现了高效的端到端检测。在模型架构方面，我们引入了全面的效率和准确性驱动的模型设计策略，改善了性能和效率之间的权衡。这些创新带来了我们的YOLOv10，这是一个全新的实时端到端目标检测器。大量的实验结果表明，YOLOv10与其他先进检测器相比，在性能和延迟方面都取得了state-of-the-art的成果，充分展示了其优越性。