【yolov10】使用自己的数据集训练目标检测模型

一、anaconda安装

直接参考前一篇博客：
https://blog.csdn.net/m0_71523511/article/details/136546588

pycharm开发环境参考：
https://www.bilibili.com/video/BV1Cr4y1u76N/?p=3&spm_id_from=pageDriver&vd_source=2a10d30b8351190ea06d85c5d0bfcb2a

二、环境配置

官方给出的环境配置使用的torch版本是2.0.1，我电脑最高也就支持到1.11.0，所以就没法用gpu来训练了，当然也可以用自己的可以使用gpu训练的环境来训练yolov10，就是会有一些依赖报错，根据提示进行修改试试。
打开anaconda命令行：

conda create -n yolov10 python=3.9
conda activate yolov10
pip install -r requirements.txt
pip install -e .

三、数据集制作

1、labelimg的安装

首先打开cmd命令行（快捷键：win+R）。进入cmd命令行控制台。输入如下的命令：`

pip install labelimg -i https://pypi.tuna.tsinghua.edu.cn/simple

2、使用labelimg`

①搜索labelimg

②设置

格式选择yolo，然后点击open dir，选择存放待打标图片的文件夹，点击change save dir来更改保存标签的文件夹。

③打标

常用快捷键如下：

A：切换到上一张图片

D：切换到下一张图片

W：调出标注十字架

del ：删除标注框框

Ctrl+u：选择标注的图片文件夹

Ctrl+r：选择标注好的label标签存在的文件夹

这样标注完之后可以在保存标签的目录看到yolo格式的标签，它会自己生成一个类别文件：

四、正片

1、下载yolov10源码

https://github.com/THU-MIG/yolov10
解压后目录如下：

2、数据集目录

将前面打标好的数据集以下面这种目录格式放置，并新建data.yaml文件：

data.yaml文件如下：
names根据自己数据集的标签来，train和val就是训练集和验证集的图片路径

train: C:/new_pycharm_project/yolov10-main/datasets/Data/train/images
val: C:/new_pycharm_project/yolov10-main/datasets/Data/val/images


# Classes
nc: 3  # number of classes
names: ['person', 'hat', 'one']  # class names

3、训练

在数据集的同级目录下新建一个train.py文件：

from ultralytics import YOLOv10

model_yaml_path = "ultralytics/cfg/models/v10/yolov10s.yaml"
#数据集配置文件
data_yaml_path = 'datasets/Data/data.yaml'
#预训练模型
pre_model_name = 'yolov10s.pt'

if __name__ == '__main__':
    #加载预训练模型
    model = YOLOv10(model_yaml_path).load(pre_model_name)
    #训练模型
    results = model.train(data=data_yaml_path,
                          epochs=150,
                          batch=4,
                          name='train_v10')

到以下网址下载s版本的预训练模型，并将此pt模型放置到与train.py的同级目录下：
https://github.com/jameslahm/yolov10/releases/download/v1.0/yolov10s.pt

右击开始训练：

等待训练结束之后可以在runs目录下找到权重文件：

4、推理

在数据集的同级目录下新建一个infer.py文件，并放置一张待检测的图片名字为infer.jpg：

from ultralytics import YOLOv10

model = YOLOv10("runs/detect/train_v10/weights/best.pt")

results = model.predict("infer.jpg")

results[0].show()

运行结果如下：


可以看出来推理时间很长，我这里只训练了一轮所以效果不好。