yolov10训练

已于 2024-05-31 16:05:53 修改
阅读量1.1k 收藏 9
点赞数 4
分类专栏： YOLO 文章标签： YOLO
于 2024-05-30 19:41:05 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/shilichangtin/article/details/139328347
版权

yolov10训练

论文代码：https://github.com/THU-MIG/yolov10
论文链接：https://arxiv.org/abs/2405.14458

1 yolov10 COCO训练

1.1 环境配置

conda create -n yolov10 python=3.10.12
activate yolov10
conda install cudatoolkit==11.8.0
conda install pytorch==2.1.1 torchvision==0.16.1 torchaudio==2.1.1 pytorch-cuda=11.8 -c pytorch -c nvidia

git clone https://github.com/THU-MIG/yolov10
cd yolov10

在安装requirements.txt中的python包之前需要删除其中的torch和torchvision，如果不删除掉，使用pip install -r requirments.txt 会卸载掉之前安装的torch-gpu，而安装上torch-cpu版本
requirements.txt

# torch==2.0.1
# torchvision==0.15.2
onnx==1.14.0
onnxruntime==1.15.1
pycocotools==2.0.7
PyYAML==6.0.1
scipy==1.13.0
onnxsim==0.4.36
onnxruntime-gpu==1.18.0

安装清华大学版本的ultralytics

cd yolov10
pip install -e . -i https://pypi.tuna.tsinghua.edu.cn/simple

1.2 模型训练

使用ultralytics不要github源码，直接进入yolov10conda环境中就可以训练

conda activate yolov10

多gpu(没尝试过)

yolo detect train data=coco.yaml model=yolov10s.yaml epochs=500 batch=256 imgsz=640 device=0,1

单gpu

yolo detect train data=coco.yaml model=yolov10s.yaml epochs=500 batch=32 imgsz=640 device=0

结果展示

(yolov10) C:\Users\Administrator\Desktop\yolov10>yolo detect train data=coco.yaml model=yolov10n.yaml epochs=1 batch=64 imgsz=640 device=0
New https://pypi.org/project/ultralytics/8.2.26 available 😃 Update with 'pip install -U ultralytics'
Ultralytics YOLOv8.1.34 🚀 Python-3.10.12 torch-2.1.1 CUDA:0 (NVIDIA GeForce RTX 4090, 24564MiB)
engine\trainer: task=detect, mode=train, model=yolov10n.yaml, data=coco.yaml, epochs=1, time=None, patience=100, batch=64, imgsz=640, save=True, save_period=-1, val_period=1, cache=False, device=0, workers=8, project=None, name=train3, exist_ok=False, pretrained=True, optimizer=auto, verbose=True, seed=0, deterministic=True, single_cls=False, rect=False, cos_lr=False, close_mosaic=10, resume=False, amp=True, fraction=1.0, profile=False, freeze=None, multi_scale=False, overlap_mask=True, mask_ratio=4, dropout=0.0, val=True, split=val, save_json=False, save_hybrid=False, conf=None, iou=0.7, max_det=300, half=False, dnn=False, plots=True, source=None, vid_stride=1, stream_buffer=False, visualize=False, augment=False, agnostic_nms=False, classes=None, retina_masks=False, embed=None, show=False, save_frames=False, save_txt=False, save_conf=False, save_crop=False, show_labels=True, show_conf=True, show_boxes=True, line_width=None, format=torchscript, keras=False, optimize=False, int8=False, dynamic=False, simplify=False, opset=None, workspace=4, nms=False, lr0=0.01, lrf=0.01, momentum=0.937, weight_decay=0.0005, warmup_epochs=3.0, warmup_momentum=0.8, warmup_bias_lr=0.1, box=7.5, cls=0.5, dfl=1.5, pose=12.0, kobj=1.0, label_smoothing=0.0, nbs=64, hsv_h=0.015, hsv_s=0.7, hsv_v=0.4, degrees=0.0, translate=0.1, scale=0.5, shear=0.0, perspective=0.0, flipud=0.0, fliplr=0.5, bgr=0.0, mosaic=1.0, mixup=0.0, copy_paste=0.0, auto_augment=randaugment, erasing=0.4, crop_fraction=1.0, cfg=None, tracker=botsort.yaml, save_dir=c:\Users\Administrator\Desktop\yolov10\runs\detect\train3

                   from  n    params  module                                       arguments
  0                  -1  1       464  ultralytics.nn.modules.conv.Conv             [3, 16, 3, 2]
  1                  -1  1      4672  ultralytics.nn.modules.conv.Conv             [16, 32, 3, 2]
  2                  -1  1      7360  ultralytics.nn.modules.block.C2f             [32, 32, 1, True]
  3                  -1  1     18560  ultralytics.nn.modules.conv.Conv             [32, 64, 3, 2]
  4                  -1  2     49664  ultralytics.nn.modules.block.C2f             [64, 64, 2, True]
  5                  -1  1      9856  ultralytics.nn.modules.block.SCDown          [64, 128, 3, 2]
  6                  -1  2    197632  ultralytics.nn.modules.block.C2f             [128, 128, 2, True]
  7                  -1  1     36096  ultralytics.nn.modules.block.SCDown          [128, 256, 3, 2]
  8                  -1  1    460288  ultralytics.nn.modules.block.C2f             [256, 256, 1, True]
  9                  -1  1    164608  ultralytics.nn.modules.block.SPPF            [256, 256, 5]
 10                  -1  1    249728  ultralytics.nn.modules.block.PSA             [256, 256]
 11                  -1  1         0  torch.nn.modules.upsampling.Upsample         [None, 2, 'nearest']
 12             [-1, 6]  1         0  ultralytics.nn.modules.conv.Concat           [1]
 13                  -1  1    148224  ultralytics.nn.modules.block.C2f             [384, 128, 1]
 14                  -1  1         0  torch.nn.modules.upsampling.Upsample         [None, 2, 'nearest']
 15             [-1, 4]  1         0  ultralytics.nn.modules.conv.Concat           [1]
 16                  -1  1     37248  ultralytics.nn.modules.block.C2f             [192, 64, 1]
 17                  -1  1     36992  ultralytics.nn.modules.conv.Conv             [64, 64, 3, 2]
 18            [-1, 13]  1         0  ultralytics.nn.modules.conv.Concat           [1]
 19                  -1  1    123648  ultralytics.nn.modules.block.C2f             [192, 128, 1]
 20                  -1  1     18048  ultralytics.nn.modules.block.SCDown          [128, 128, 3, 2]
 21            [-1, 10]  1         0  ultralytics.nn.modules.conv.Concat           [1]
 22                  -1  1    282624  ultralytics.nn.modules.block.C2fCIB          [384, 256, 1, True, True]
 23        [16, 19, 22]  1    929808  ultralytics.nn.modules.head.v10Detect        [80, [64, 128, 256]]
YOLOv10n summary: 385 layers, 2775520 parameters, 2775504 gradients, 8.7 GFLOPs

Freezing layer 'model.23.dfl.conv.weight'
AMP: running Automatic Mixed Precision (AMP) checks with YOLOv8n...
AMP: checks passed ✅
train: Scanning C:\Users\Administrator\Desktop\datasets\coco\labels\train2017.cache... 117266 images, 1021 backgrounds, 0 corrupt: 100%|██████████| 118287/
val: Scanning C:\Users\Administrator\Desktop\datasets\coco\labels\val2017.cache... 4952 images, 48 backgrounds, 0 corrupt: 100%|██████████| 5000/5000 [00:0
Plotting labels to c:\Users\Administrator\Desktop\yolov10\runs\detect\train3\labels.jpg...
optimizer: 'optimizer=auto' found, ignoring 'lr0=0.01' and 'momentum=0.937' and determining best 'optimizer', 'lr0' and 'momentum' automatically...
optimizer: AdamW(lr=0.000119, momentum=0.9) with parameter groups 95 weight(decay=0.0), 108 weight(decay=0.0005), 107 bias(decay=0.0)
Image sizes 640 train, 640 val
Using 8 dataloader workers
Logging results to c:\Users\Administrator\Desktop\yolov10\runs\detect\train3
Starting training for 1 epochs...

      Epoch    GPU_mem     box_om     cls_om     dfl_om     box_oo     cls_oo     dfl_oo  Instances       Size
        1/1      15.8G      3.331      5.348      3.731      3.137      6.743      3.685        234        640: 100%|██████████| 1849/1849 [07:24<00:00,  4
                 Class     Images  Instances      Box(P          R      mAP50  mAP50-95): 100%|██████████| 40/40 [00:23<00:00,  1.69it/s]
Saving c:\Users\Administrator\Desktop\yolov10\runs\detect\train3\predictions.json...

Evaluating pycocotools mAP using c:\Users\Administrator\Desktop\yolov10\runs\detect\train3\predictions.json and C:\Users\Administrator\Desktop\datasets\coco\annotations\instances_val2017.json...
loading annotations into memory...
Done (t=0.31s)
creating index...
index created!
Loading and preparing results...
DONE (t=5.73s)
creating index...
index created!
Running per image evaluation...
Evaluate annotation type *bbox*
DONE (t=17.53s).
Accumulating evaluation results...
DONE (t=4.14s).
 Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.000
 Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=100 ] = 0.000
 Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=100 ] = 0.000
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.000
 Average Precision  (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.000
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.000
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=  1 ] = 0.000
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets= 10 ] = 0.001
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.003
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.000
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.002
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.006

1 epochs completed in 0.142 hours.
Optimizer stripped from c:\Users\Administrator\Desktop\yolov10\runs\detect\train3\weights\last.pt, 5.9MB
Optimizer stripped from c:\Users\Administrator\Desktop\yolov10\runs\detect\train3\weights\best.pt, 5.9MB

Validating c:\Users\Administrator\Desktop\yolov10\runs\detect\train3\weights\best.pt...
Ultralytics YOLOv8.1.34 🚀 Python-3.10.12 torch-2.1.1 CUDA:0 (NVIDIA GeForce RTX 4090, 24564MiB)
YOLOv10n summary (fused): 285 layers, 2762608 parameters, 0 gradients, 8.6 GFLOPs
                 Class     Images  Instances      Box(P          R      mAP50  mAP50-95): 100%|██████████| 40/40 [00:16<00:00,  2.42it/s]
Speed: 0.1ms preprocess, 0.7ms inference, 0.0ms loss, 0.0ms postprocess per image
Saving c:\Users\Administrator\Desktop\yolov10\runs\detect\train3\predictions.json...

Evaluating pycocotools mAP using c:\Users\Administrator\Desktop\yolov10\runs\detect\train3\predictions.json and C:\Users\Administrator\Desktop\datasets\coco\annotations\instances_val2017.json...
loading annotations into memory...
Done (t=0.31s)
creating index...
index created!
Loading and preparing results...
DONE (t=5.48s)
creating index...
index created!
Running per image evaluation...
Evaluate annotation type *bbox*
DONE (t=17.37s).
Accumulating evaluation results...
DONE (t=4.34s).
 Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.000
 Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=100 ] = 0.000
 Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=100 ] = 0.000
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.000
 Average Precision  (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.000
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.000
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=  1 ] = 0.000
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets= 10 ] = 0.001
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.003
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.000
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.002
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.006
Results saved to c:\Users\Administrator\Desktop\yolov10\runs\detect\train3
💡 Learn more at https://docs.ultralytics.com/modes/train

这里与官网github上展示的结果不一样，Params为2.7M，FLOPs为8.6G，而github上给出的yolov10nParams为2.3M，FLOPs为6.7G。

2 yolov10 训练自己的数据集

环境配置直接按照1.1中的配置即可，yolov10的训练方法和yolov8的训练方式一样

2.1 使用源码训练

2.1.1 数据集的准备

custom.yaml添加yolov10/ultralytics/cfg/datasets/custom.yaml

# 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: ../ultralytics/datasets  # dataset root dir
train: images/train  # train images (relative to 'path') 128 images
val: images/val  # val images (relative to 'path') 128 images
test:  # test images (optional)

# Classes
names:
  0: flame
  1: smoke

datasets添加在yolov10目录下

2.1.2 yolov10的预训练权重

yolov10的预训练权重不会自动下载，需要到github上下载yolov10预训练权重，然后将其存放在yolov10目录下。

2.1.3 模型训练
2.1.3.1 YOLO

在yolov10目录下创建一个main.py

from ultralytics import YOLO

if __name__ == '__main__':
    # Load a model
    # model = YOLO('yolov9c.yaml')  # build a new model from YAML
    # model = YOLO('yolov8n.pt')  # load a pretrained model (recommended for training)
    model = YOLO('yolov10n.yaml').load('yolov10n.pt')  # build from YAML and transfer weights

    # Train the model
    results = model.train(data='custom.yaml', epochs=300, imgsz=640)

然后直接运行就可以，如果想要改一些超参，可以直接在yolov10/ultralytics/cfg/default.yaml文件中修改。注意使用上面的这个方法时，YOLO('yolov10n.yaml')中必须包含yolov10，否则加载的训练模式中就是YOLO的训练代码，不是YOLOv10的训练代码。如果传入的是路径的话，如runs/detect/yolov10n/weights/best.pt也是不行的，文件名是best.pt，文件名必须包含yolov10。

结果展示

PS C:\Users\Administrator\Desktop\yolov10> & C:/ProgramData/anaconda3/envs/yolov10/python.exe c:/Users/Administrator/Desktop/yolov10/main.py
Transferred 619/619 items from pretrained weights
New https://pypi.org/project/ultralytics/8.2.26 available 😃 Update with 'pip install -U ultralytics'
Ultralytics YOLOv8.1.34 🚀 Python-3.10.12 torch-2.1.1 CUDA:0 (NVIDIA GeForce RTX 4090, 24564MiB)
engine\trainer: task=detect, mode=train, model=yolov10s.yaml, data=custom.yaml, epochs=300, time=None, patience=100, batch=32, imgsz=640, save=True, save_period=-1, val_period=1, cache=False, device=None, workers=8, project=None, name=yolov10s, exist_ok=False, pretrained=True, optimizer=auto, verbose=True, seed=0, deterministic=True, single_cls=False, rect=False, cos_lr=False, close_mosaic=10, resume=False, amp=True, fraction=1.0, profile=False, freeze=None, multi_scale=False, overlap_mask=True, mask_ratio=4, dropout=0.0, val=True, split=val, save_json=False, save_hybrid=False, conf=None, iou=0.7, max_det=300, half=False, dnn=False, plots=True, source=None, vid_stride=1, stream_buffer=False, visualize=False, augment=False, agnostic_nms=False, classes=None, retina_masks=False, embed=None, show=False, save_frames=False, save_txt=False, save_conf=False, save_crop=False, show_labels=True, show_conf=True, show_boxes=True, line_width=None, format=torchscript, keras=False, optimize=False, int8=False, dynamic=False, simplify=False, opset=None, workspace=4, nms=False, lr0=0.01, lrf=0.01, momentum=0.937, weight_decay=0.0005, warmup_epochs=3.0, warmup_momentum=0.8, warmup_bias_lr=0.1, box=7.5, cls=0.5, dfl=1.5, pose=12.0, kobj=1.0, label_smoothing=0.0, nbs=64, hsv_h=0.015, hsv_s=0.7, hsv_v=0.4, degrees=0.0, translate=0.1, scale=0.5, shear=0.0, perspective=0.0, flipud=0.0, fliplr=0.5, bgr=0.0, mosaic=1.0, mixup=0.0, copy_paste=0.0, auto_augment=randaugment, erasing=0.4, crop_fraction=1.0, cfg=None, tracker=botsort.yaml, save_dir=c:\Users\Administrator\Desktop\yolov10\runs\detect\yolov10s
Overriding model.yaml nc=80 with nc=2

                   from  n    params  module                                       arguments
  1                  -1  1     18560  ultralytics.nn.modules.conv.Conv             [32, 64, 3, 2]
  2                  -1  1     29056  ultralytics.nn.modules.block.C2f             [64, 64, 1, True]
  3                  -1  1     73984  ultralytics.nn.modules.conv.Conv             [64, 128, 3, 2]
  4                  -1  2    197632  ultralytics.nn.modules.block.C2f             [128, 128, 2, True]
  5                  -1  1     36096  ultralytics.nn.modules.block.SCDown          [128, 256, 3, 2]
  6                  -1  2    788480  ultralytics.nn.modules.block.C2f             [256, 256, 2, True]
  7                  -1  1    137728  ultralytics.nn.modules.block.SCDown          [256, 512, 3, 2]
  8                  -1  1    958464  ultralytics.nn.modules.block.C2fCIB          [512, 512, 1, True, True]
  9                  -1  1    656896  ultralytics.nn.modules.block.SPPF            [512, 512, 5]
 10                  -1  1    990976  ultralytics.nn.modules.block.PSA             [512, 512]
 11                  -1  1         0  torch.nn.modules.upsampling.Upsample         [None, 2, 'nearest']
 12             [-1, 6]  1         0  ultralytics.nn.modules.conv.Concat           [1]
 13                  -1  1    591360  ultralytics.nn.modules.block.C2f             [768, 256, 1]
 14                  -1  1         0  torch.nn.modules.upsampling.Upsample         [None, 2, 'nearest']
 15             [-1, 4]  1         0  ultralytics.nn.modules.conv.Concat           [1]
 16                  -1  1    148224  ultralytics.nn.modules.block.C2f             [384, 128, 1]
 17                  -1  1    147712  ultralytics.nn.modules.conv.Conv             [128, 128, 3, 2]
 18            [-1, 13]  1         0  ultralytics.nn.modules.conv.Concat           [1]
 19                  -1  1    493056  ultralytics.nn.modules.block.C2f             [384, 256, 1]
 20                  -1  1     68864  ultralytics.nn.modules.block.SCDown          [256, 256, 3, 2]
 21            [-1, 10]  1         0  ultralytics.nn.modules.conv.Concat           [1]
 22                  -1  1   1089536  ultralytics.nn.modules.block.C2fCIB          [768, 512, 1, True, True]
 23        [16, 19, 22]  1   1640348  ultralytics.nn.modules.head.v10Detect        [2, [128, 256, 512]]
YOLOv10s summary: 402 layers, 8067900 parameters, 8067884 gradients, 24.8 GFLOPs

Transferred 607/619 items from pretrained weights
Freezing layer 'model.23.dfl.conv.weight'
AMP: running Automatic Mixed Precision (AMP) checks with YOLOv8n...
AMP: checks passed ✅
train: Scanning C:\Users\Administrator\Desktop\ultralytics\datasets\labels\train.cache... 4672 images, 0 backgrounds, 0 corrupt: 100%|██████████| 4672/4672 [00:00<? 
val: Scanning C:\Users\Administrator\Desktop\ultralytics\datasets\labels\val.cache... 1168 images, 0 backgrounds, 0 corrupt: 100%|██████████| 1168/1168 [00:00<?, ?i 
Plotting labels to c:\Users\Administrator\Desktop\yolov10\runs\detect\yolov10s\labels.jpg... 
optimizer: 'optimizer=auto' found, ignoring 'lr0=0.01' and 'momentum=0.937' and determining best 'optimizer', 'lr0' and 'momentum' automatically... 
optimizer: SGD(lr=0.01, momentum=0.9) with parameter groups 99 weight(decay=0.0), 112 weight(decay=0.0005), 111 bias(decay=0.0)
Image sizes 640 train, 640 val
Using 8 dataloader workers
Logging results to c:\Users\Administrator\Desktop\yolov10\runs\detect\yolov10s
Starting training for 300 epochs...

      Epoch    GPU_mem     box_om     cls_om     dfl_om     box_oo     cls_oo     dfl_oo  Instances       Size
      1/300      11.2G      1.173      1.774       1.44      1.233      3.024      1.377        176        640: 100%|██████████| 146/146 [00:22<00:00,  6.46it/s]
                 Class     Images  Instances      Box(P          R      mAP50  mAP50-95): 100%|██████████| 19/19 [00:05<00:00,  3.76it/s]
                   all       1168       3052      0.642      0.569      0.615      0.341

所有文件存在目录如下图在这里插入图片描述

2.1.3.2 YOLOv10

研究了下代码，为了方便，也可以直接使用YOLOv10

from ultralytics import YOLOv10

if __name__ == '__main__':
    # Load a model
    # model = YOLO('yolov9c.yaml')  # build a new model from YAML
    # model = YOLO('yolov8n.pt')  # load a pretrained model (recommended for training)
    model = YOLOv10('yolov10n.yaml').load('yolov10n.pt')  # build from YAML and transfer weights

    # Train the model
    results = model.train(data='custom.yaml', epochs=300, imgsz=640)
2.1.4 模型验证

因为保存的文件名不包含yolov10，所以只能使用2.1.3.2的方法进行验证，当然，也可以将文件名best.pt改为yolov10n.pt，这样也可以使用2.1.3.1的方法进行验证，为了方便，就采用2.1.3.2的方法，使用from ultralytics import Y0LOv10

from ultralytics import YOLO, YOLOv10

if __name__ == '__main__':
    # model = YOLO('yolov10m.yaml').load('yolov10m.pt')  # build from YAML and transfer weights
    # Train the model
    # results = model.train(data='custom.yaml', epochs=300, imgsz=640)

    # val 
    model = YOLOv10('runs/detect/yolov10n/weights/best.pt')
    results = model.val(data='custom.yaml',imgsz=640,name='val')

结果展示

Ultralytics YOLOv8.1.34 🚀 Python-3.10.12 torch-2.1.1 CUDA:0 (NVIDIA GeForce RTX 4090, 24564MiB)
YOLOv10n summary (fused): 285 layers, 2695196 parameters, 0 gradients, 8.2 GFLOPs
val: Scanning C:\Users\Administrator\Desktop\ultralytics\datasets\labels\val.cache... 1168 images, 0 backgrounds, 0 corrupt: 100%|██████████| 1168/
                 Class     Images  Instances      Box(P          R      mAP50  mAP50-95): 100%|██████████| 37/37 [00:03<00:00,  9.44it/s]
                   all       1168       3052      0.848      0.777      0.858       0.61
                 flame       1168       1906        0.8      0.726       0.82      0.541
                 smoke       1168       1146      0.895      0.828      0.897      0.679
Speed: 0.1ms preprocess, 1.2ms inference, 0.0ms loss, 0.0ms postprocess per image
Results saved to c:\Users\Administrator\Desktop\yolov10\runs\detect\val

3 参考链接

  1. YOLOv10最全使用教程（含ONNX和TensorRT推理）
  2. YOLOv10 正式发布！原理、部署、应用一站式齐全
  3. 【论文阅读】 YOLOv10: Real-Time End-to-End Object Detection
  4. YOLOv8训练、验证、测试官方提供的方法
yuanjun0416
关注
  • 4
    点赞
  • 踩
  • 9
    收藏
    觉得还不错? 一键收藏
  • 4
    评论
专栏目录
yolov10 使用自己的数据集训练目标检测模型
qq_30895747的博客
05-28 996
yolov10训练自己的数据集
YOLOv10 | 手把手教你利用yolov10训练自己数据集（含环境搭建、参数解析 、数据集查找、模型训练、推理、导出）
热门推荐
Snu77的博客
05-26 1万+
本文内含YOLOv10网络结构图 + 各个创新模块手撕结构图 + 训练教程 + 推理教程 + 参数解析 + 环境搭建 + 数据集获取等一些有关YOLOv10的内容！目录一、前言二、整体网络结构图三、空间-通道分离下采样3.1 SCDown介绍3.2 C2fUIB介绍3.3 PSA介绍四、环境搭建五、数据集获取六、模型获取七、模型训练7.1 训练的三种方式7.1.1 方式一7.1.2 方式二（推荐）7.1.3 方式三八、模型验证/测试九、模型推理十、模型输出官方论文地址点击此处即可跳转。
YOLOv10GPU训练自己的数据（含网络结构图） (草履虫都能看懂系列)
flpmmpfl的博客
06-13 1821
YOLOv10是清华大学的研究人员在Ultralytics Python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。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。
模型训练篇 | yolov10来了！手把手教你如何用yolov10训练自己的数据集（含网络结构 + 模型训练 + 模型推理等）
突然好想你
06-04 9500
YOLOv10推出的消息引发了AI界的关注，它被认为是计算机视觉领域的突破性框架，以实时的端到端目标检测能力而闻名，通过提供结合效率和准确性的强大解决方案，延续了YOLO系列的传统。新版本发布之后，很多人已经进行了部署测试，效果不错，本节课就带领大家如何基于YOLOv10训练模型并推理测试！~🌈
YOLOv10原理与实战训练自己的数据集
06-12
YOLOv10是最近提出的YOLO的改进版本。在后处理方面，提出了一致性双重分配策略用于无NMS训练，从而实现了高效的端到端检测。在模型架构方面，引入了全面的效率-准确性驱动模型设计策略，改善了性能-效率权衡。本课程讲解YOLOv10的论文、网络架构等原理并解析关键代码，并进行训练自己数据集的项目实战。本课程将手把手地教大家使用labelImg标注和使用YOLOv10训练自己的数据集，完成一个多目标检测实战项目，可检测图像和视频中的足球和梅西两个目标类别。  本课程分别在Windows、Ubuntu和阿里云免费GPU算力平台上做手把手的项目操作演示。GPU免费算力的领取方式和阿里云平台上的项目实战操作流程可见课程视频。课程项目内容包括：安装软件环境（Nvidia显卡驱动、cuda和cudnn）、安装PyTorch、安装YOLOv10、使用labelImg标注自己的数据集、准备自己的数据集（自动划分训练集和验证集）、修改配置文件、训练自己的数据集、测试训练出的网络模型和性能统计。 课程还提供PySide6开发的YOLOv10的可视化界面代码并进行了操作演示。
YOLOv10训练自己的数据集
qq_54134410的博客
06-03 1958
至此，整个YOLOv10的训练预测阶段完成，与YOLOv8差不多。欢迎各位批评指正。
【yolov10】使用自己的数据集训练目标检测模型
海风的博客
05-26 6194
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。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。首先打开cmd命令行（快捷键：win+R）。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。①搜索labelimg。
使用YOLOv10训练自己的数据集
BiGmowang的博客
06-01 1084
（超详细）Python+PyCharm的安装步骤及PyCharm的使用（含快捷键）_python pycharm-CSDN博客。总体效果还是比其他版本好很多的，但是我的训练时间貌似比v8长不少，这里论文中也给出了解释。直接选用大家都有cpu训练，如果要使用GPU，将值改为0 即可，GPU使用依赖与yolov8一致。yolov10封装的很好，使用起来没什么难度，参考官方给的文档就能跑起来。使用PyCharm打开下载的yolov10源码，右下角切换到创建的环境。参考两位博主的论文分析。
YOLOv10最详细全面讲解2- 目标检测-环境搭建、训练自己的数据集
tqh267的博客
05-29 5988
本人基于继续往下进行，主要包括环境搭建、训练自己的数据集。
Yolov10预训练模型
06-03
Yolov10预训练模型
yolov10预训练权重 + 程序
05-29
包含yolov10的训练和测试代码和yolov10的官方预训练权重，权重包含yolov10所有预训练权重，文件包含yolov10b.pt、yolov10l.pt、yolov10m.pt、yolov10n.pt、yolov10s.pt、yolov10x.pt、yolov10-main.zip。
YOLOV10训练好的飞鸟检测模型+数据集
06-29
1、YOLOV10训练好的飞鸟检测模型，包括训练好的模型，并包含近1000张标注好的鸟类数据集，标签格式为xml和txt两种，类别名为bird， 2、数据集和检测结果参考：...
YOLOv10训练飞机检测模型+训练权重+数据集
06-28
1、YOLOv10训练飞机检测模型，并包含标注好的飞机检测数据集，标签格式为xml和txt两种，类别名为aeroplane， 2、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743 5、采用pytrch...
yolov10训练好的猫狗检测模型+数据集
最新发布
06-29
1、yolov10训练好的猫狗检测模型，包含训练好的猫狗识别权重，从一万多张猫狗检测数据集训练得到，有pyqt界面，目标类别为cat和dog两个类别 4、并包含1万多张标注好的猫狗检测数据集，标签格式为xml和txt两种，类别...
YOLOv10训练教程—用YOLOv10训练自己的数据集
深度学习
06-03 2020
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代码详细介绍（附录训练教程和权重）
小嘤熊的博客
05-28 2866
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v8结构相比，从结构上看添加了PSA和在C2f结构中添加了CBI结构，去掉了NMS。
YOLOv10 超详细解析 | 网络结构、训练策略、论文解读
秋山丶雪绪的博客
06-09 3729
网络结构按 YOLOv10m 绘制，不同 scale 的模型在结构上略有不同，而不是像 YOLOv8 一样仅调整 depth 和 width。Head 有部分后续计算与 YOLOv8 完全相同，上图省略，具体请看。YOLOv10 整体的网络结构与 YOLOv8 相同，在一些细节模块上有所改进，查看具体的模块计算方式、优化策略跳转部分。
搭建YOLOv10环境 训练+推理+模型评估
Dora_blank的博客
05-29 3817
本文将详细介绍跑通YOLOv10的流程，并给各位提供用于训练、评估和模型推理的脚本。
yolov8训练教程
01-05
很抱歉，根据提供的引用内容，没有找到关于yolov8的训练教程。但是，我可以为您提供yolov7的训练教程。以下是yolov7的训练教程： 1. 确保您已经安装了必要的依赖项和环境配置。 2. 准备训练数据集，包括图像和相应的标注文件。 3. 创建一个yolov7的配置文件，指定模型的结构和参数。 4. 下载预训练的权重文件，可以使用yolov7的权重文件或其他类似的模型的权重文件。 5. 使用标注工具对数据集进行标注，生成yolo格式的标注文件。 6. 将数据集划分为训练集和验证集。 7. 开始训练模型，使用命令行工具运行训练命令，指定模型配置文件、数据集、预训练权重文件等参数。 8. 在训练过程中，可以使用验证集评估模型的性能。 9. 根据训练过程中的日志和指标，调整模型的参数和超参数，以提高模型的性能。 10. 完成训练后，可以使用训练好的模型进行目标检测。 请注意，以上是一个大致的训练流程，具体的步骤和命令可能会根据您的具体需求和环境而有所不同。建议您参考yolov7的官方文档或相关教程，以获取更详细的训练指导。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 4
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值