【YOLOv10训练教程】如何使用YOLOv10训练自己的数据集并且推理使用

《博主简介》

小伙伴们好，我是阿旭。专注于人工智能、AIGC、python、计算机视觉相关分享研究。
✌更多学习资源，可关注公-仲-hao:【阿旭算法与机器学习】，共同学习交流~
👍感谢小伙伴们点赞、关注！

引言

本文主要介绍如何使用YOLOv10训练自己的目标检测数据集并且进行模型的推理使用。本文所有代码及数据集都已打包好，供小伙伴们学习

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：

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。

YOLOv10与v8结构对比

从结构上看添加了PSA和在C2f结构中添加了CBI结构。结构设计如下：

而且去掉了NMS：

下载源码

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

下载源码后解压，目录如下：

环境配置

使用conda 创建虚拟环境配置【输入命令前，需进入到项目目下】。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

将需要训练的数据集，放入项目目录下，格式如下：

训练模型：

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 = 'datasets/Data/data.yaml'
#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=4,
                          name='train_v10')

点击运行后开始训练,打印的网路结构如下：

模型推理

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()

运行后显示结果，会直接显示推理结果：

GZH：阿旭算法与机器学习