YOLO （You Only Look Once) 系列是当前最主流的端侧目标检测算法，由 Joseph Redmon 等人首次提出，由于其在计算成本与检测性能之间实现了有效平衡，故而成为实时物体检测领域的标杆。

YOLOv10是由清华大学研究人员基于 Ultralytics Python 包开发的实时目标检测方法，旨在解决之前YOLO 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。

使用云平台：OpenBayes

登录到 OpenBayes 平台后，点击「公共教程」，在公共教程中找到「YOLOv10 实时端到端物体检测」的教程。

YOLOv10 目标检测算法使用教程_目标检测

点击「克隆」，将教程克隆到我们自己的容器内。

YOLOv10 目标检测算法使用教程_物体检测_02

平台已经自动为容器绑定好了所需要的文件，我们点击「下一步：选择算力」。

YOLOv10 目标检测算法使用教程_Image_03

算力选择 4090，有免费的赠送时长，选择 PyTorch 镜像后，点击「下一步：审核」，「继续执行」。

YOLOv10 目标检测算法使用教程_物体检测_04

YOLOv10 目标检测算法使用教程_物体检测_05

等待系统分配资源完成后，打开 API 地址处的网址，进入该网址需要先完成实名认证。

YOLOv10 目标检测算法使用教程_Image_06

进入 Gradio 界面后就可以进行图片的上传和检测了。


YOLOv10 目标检测算法使用教程_目标检测_07

在 Model 处可以选择模型，每个模型的大小不一样，效果也不一样，我们一般使用 yolov10s.pt。 

* Image Size 项可以调整输入图像的大小。

* Confidence Threshold 项可以调整置信度。

 我们选择一个示例进行检测。

YOLOv10 目标检测算法使用教程_Image_08

可以看到它将图片中的人物、汽车都检测了出来。