YOLOv10如何傻瓜改进，v5v7到v10的跨越学习！

1、理解模型文件作用

1.1基础知识训练

        首先，我们要明确我们主要文件都放在yolov10-main\ultralytics中，其次让我们看一下ultralytics下的文件都有什么，首先对于cfg中，我们只要关注ultralytics/cfg/models/v10下的不同配置yaml文件即可，而ultralytics/cfg/datasets下则是数据集的yaml文件，这里，跟v5，v7没什么区别，需要注意的就是在我们写数据集地址的时候，写绝对地址！

        数据集直接丢进去，yaml文件写对就行，对于训练文件，我个人用的直接写一个train文件，放在 ultralytics下进行训练，代码如下供大家参考:

from ultralytics import YOLOv10

# 模型配置文件
model_yaml_path = "yaml文件的相对地址"
# 数据集配置文件
data_yaml_path = '数据集yaml的相对地址'
# 预训练模型
pre_model_name = r'预训练权重的绝对地址'

if __name__ == '__main__':
    # 加载预训练模型
    model = YOLOv10("模型的yaml文件地址").load(r'预训练权重的绝对地址')
    # 训练模型
    results = model.train(data=data_yaml_path, epochs=100, batch=8, name='train_v10')

直接右键运行即可。

1.2在进行魔改中我们常用的几个文件

        在ultralytics/nn/modules下，我们发现有几个文件，根据文件名我们可以发现这几个文件分别对应着不同的阶段模块，例如conv，里面是我们常用的卷积，而block则是我们在主干网络中常见的模块，例如C3、C2f、SPPF等。而头文件init中，我们直接可以遍历所有的模块名字，并且点击即可转到对应的代码定义位置。到这里，可以发现，哇，作者将其写了一个目录，并且分类了，对于我们修改来说及其方便。

        所谓魔改，就是修改各种模块，效果好就塞，不好抬走下一个！那么在YOLOv5和v7中，我们有yolo和common文件，我们只要在common文件添加，yolo里面调用就好啦。在v10中，也是这个道理，由上面我们可以知道我们定义各种模块的位置啦，而文件末尾的tasks.py文件可以理解为我们常用的yolo文件调用啦，大家在可以tasks.py文件中，Ctrl+f 查找 def parse_model，就可以发现，哇，这不就是yolo.py文件经常修改的地方嘛！

         到这里，我们总结一下，我们定义模块的位置知道啦！调用的也知道啦！模型的yaml文件我们也知道啦！就是cfg下的，复制一下，修改一下就好啦！跟v5，v7一样！对于魔改的模块，我们第一步要定义对吧，第二步就是调用（注意看一下输入输出，维度啦，通道数啊）了，第三步就是修改模型（yaml，塞到你要放的位置），第四步训练！

        我自己开始的时候，就会卡在不知道怎么写入模块，怎么加载模块，怎么调用，初学者的痛苦！这次记录一下尝试魔改v10。

2、魔改步骤

2.1 定义魔改模块

        由于魔改，要很多很多模块，在v5时，很多大佬教的是直接塞到comom文件里，这样导致文件很乱，而且模块之间的不兼容也是我们导致一直报错的原因。所以我建议，大家在魔改的时候，直接定义一个mg.py文件，在里面定义我们的模块就好了！

        在这里，我们举例，我直接将conv复制了哈，改了名字为conv1，

        这里模块定义完毕，下一步就是调用！！

2.2 模块调用 

第一步：在 init 文件中进行调用，导入你定义的mg文件，并调用Conv1，在下面的all也要添加哈！！！！方便自己，后续也要需要！

第二步：在tasks中调用。首先我们在开头阶段调用嘛，就在下面from ultralytics.nn.modules import 这个里面新加你定义的模块名字就好了

然后，查找def parse_model，找到if m in这块，到这里，v5v7的小伙伴就熟悉啦！！！！添加就好了，我加的Conv1！到这里就完事啦

2.3 模型定义以及打印测试

        我复制了一下v10s.yaml，呐，修改后的如下，就是在主干的第二行将名字改了嘛，看看能不能调用成功，调用成功不就是意味着咱加了一个新的模块嘛，懒，就当他是一个新的吧！！！！hh

# Parameters
nc: 6 # number of classes
scales: # model compound scaling constants, i.e. 'model=yolov8n.yaml' will call yolov8.yaml with scale 'n'
  # [depth, width, max_channels]
  s: [0.33, 0.50, 1024]

backbone:
  # [from, repeats, module, args]
  - [-1, 1, Conv, [64, 3, 2]] # 0-P1/2
  - [-1, 1, Conv1, [128, 3, 2]] # 1-P2/4
  - [-1, 3, C2f, [128, True]]
  - [-1, 1, Conv, [256, 3, 2]] # 3-P3/8
  - [-1, 6, C2f, [256, True]]
  - [-1, 1, SCDown, [512, 3, 2]] # 5-P4/16
  - [-1, 6, C2f, [512, True]]
  - [-1, 1, SCDown, [1024, 3, 2]] # 7-P5/32
  - [-1, 3, C2fCIB, [1024, True, True]]
  - [-1, 1, SPPF, [1024, 5]] # 9
  - [-1, 1, PSA, [1024]] # 10

# YOLOv8.0n head
head:
  - [-1, 1, nn.Upsample, [None, 2, "nearest"]]
  - [[-1, 6], 1, Concat, [1]] # cat backbone P4
  - [-1, 3, C2f, [512]] # 13

  - [-1, 1, nn.Upsample, [None, 2, "nearest"]]
  - [[-1, 4], 1, Concat, [1]] # cat backbone P3
  - [-1, 3, C2f, [256]] # 16 (P3/8-small)

  - [-1, 1, Conv, [256, 3, 2]]
  - [[-1, 13], 1, Concat, [1]] # cat head P4
  - [-1, 3, C2f, [512]] # 19 (P4/16-medium)

  - [-1, 1, SCDown, [512, 3, 2]]
  - [[-1, 10], 1, Concat, [1]] # cat head P5
  - [-1, 3, C2fCIB, [1024, True, True]] # 22 (P5/32-large)

  - [[16, 19, 22], 1, v10Detect, [nc]] # Detect(P3, P4, P5)

        上面给出了大家训练的代码，直接右键运行，，，看看是不是加载出啦！！！上图咯

到这就结束啦，第一次写这样的！算是给自己的笔记，欢迎大佬来指正啦啦，也给萌新有点指引叭！