YOLOv10训练教程—用YOLOv10训练自己的数据集

---

---

✨✨✨✨立志真正解决大家问题，只写精品博客文章，感谢关注，共同进步✨✨✨✨

---

YOLOv9还没捂热乎，YOLOv10就推出来了，太卷了，太快了，坐等YOLOv9000🤣🤣🤣🤣

---

标题：YOLOv10: Real-Time End-to-End Object Detection
论文：https://arxiv.org/pdf/2405.14458
源码：https://github.com/THU-MIG/yolov10

YOLOv10简介

YOLOv10 是清华大学研究人员在 UltralyticsPython 清华大学的研究人员在 YOLOv10软件包的基础上，引入了一种新的实时目标检测方法，解决了YOLO 以前版本在后处理和模型架构方面的不足。通过消除非最大抑制（NMS）和优化各种模型组件，YOLOv10 在显著降低计算开销的同时实现了最先进的性能。并用大量实验证明，YOLOv10 在多个模型尺度上实现了卓越的精度-延迟权衡。YOLOv10与其他SOTA模型的性能对比如下：

亮点

1. 无 NMS 设计：利用一致的双重分配来消除对 NMS 的需求，从而减少推理延迟。
2. 整体模型设计：从效率和准确性的角度全面优化各种组件，包括轻量级分类头、空间通道去耦向下采样和等级引导块设计。
3. 增强的模型功能：纳入大核卷积和部分自注意模块，在不增加大量计算成本的情况下提高性能。

模型介绍

YOLOv10 有多种型号，可满足不同的应用需求：

Model	Test Size	#Params	FLOPs	APval	Latency
YOLOv10-N	640	2.3M	6.7G	38.5%	1.84ms
YOLOv10-S	640	7.2M	21.6G	46.3%	2.49ms
YOLOv10-M	640	15.4M	59.1G	51.1%	4.74ms
YOLOv10-B	640	19.1M	92.0G	52.5%	5.74ms
YOLOv10-L	640	24.4M	120.3G	53.2%	7.28ms
YOLOv10-X	640	29.5M	160.4G	54.4%	10.70ms

YOLOv10-N：用于资源极其有限环境的纳米版本。
YOLOv10-S：兼顾速度和精度的小型版本。
YOLOv10-M：通用中型版本。
YOLOv10-B：平衡型，宽度增加，精度更高。
YOLOv10-L：大型版本，精度更高，但计算资源增加。
YOLOv10-X：超大型版本可实现最高精度和性能。

下载源码

源码地址：https://github.com/THU-MIG/yolov10

下载源码后解压

环境配置

可选择使用conda 创建虚拟环境配置【输入命令前，需进入到项目目录下】。命令如下：

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

准备数据集

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: D:/**/**/**  # dataset root dir 数据集根目录
train: train/images  # train images (relative to 'path') 128 images
val: val/images  # val images (relative to 'path') 128 images
test: test/images # test images (optional)

训练模型：

命令行

训练模型的话直接用命令行就可以了

yolo detect train data=custom_dataset.yaml model=yolov10s.yaml epochs=300 batch=8 imgsz=640 device=0,1

device：设备id，如果只有一张显卡，则device=0，如果有两张，则device=0,1，依次类推。
imgsz：图像放缩大小resize，默认是640，如果资源不够可以设置为320试试。

py文件

考虑到部分同学不喜欢使用命令行方式

注意这个地方需要导入YOLOv10模块，不是YOLO模块。
训练代码如下：

#coding:utf-8
from ultralytics import YOLOv10
# 模型配置文件
model_yaml_path = "ultralytics/cfg/models/v10/yolov10n.yaml"
#数据集配置文件
data_yaml_path = ''
#预训练模型
pre_model_name = 'yolov10n.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=8,
                          name='train_v10')

点击运行后开始训练,打印的网路结构如下：

验证

yolo val model=yolov10s.pt data=coco.yaml batch=8

模型推理

模型推理测试（（默认读取yolov10/ultralytics/assets文件夹下的所有图像）

yolo predict model=yolov10s.pt

如果测试别的路径下的文件可以在上面命令后面加上source=‘xxx/bus.jpg’，如果想测试视频，可以使用source=‘xxx/bus.mp4’。

或者模型推理代码如下：

from ultralytics import YOLOv10

# Load a pretrained YOLOv10n model
model = YOLOv10("yolov10n.pt")

# Perform object detection on an image
# results = model("test1.jpg")
results = model.predict("test1.jpg")

# Display the results
results[0].show()

运行后会直接显示推理结果

参考文献

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

https://blog.csdn.net/qq_40734883/article/details/139194191