2024-07-12
한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina
- Rajallisen tasoni vuoksi on väistämätöntä, että tulee virheitä ja puutteita, arvostele ja korjaa ne.
- Lisää jännittävää sisältöä napsauttamalla pääset sisäänPython päivittäiset toiminnotsarake,OpenCV-Python pieni sovellussarake,YOLO-sarjasarake,luonnollisen kielen käsittelysarake tai minunKotisivuTarkistaa
- Kasvojen naamiotunnistus perustuu DETR:ään
- YOLOv7 kouluttaa omaa tietojoukkoaan (maskin tunnistus)
- YOLOv8 harjoittelee omaa tietojoukkoaan (jalkapallon tunnistus)
- YOLOv5: TensorRT nopeuttaa YOLOv5-mallin päättelyä
- YOLOv5: IoU, GIoU, DIoU, CIoU, EIoU
- Pelaaminen Jetson Nanolla (5): TensorRT nopeuttaa YOLOv5-kohteen havaitsemista
- YOLOv5: Lisää SE, CBAM, CoordAtt, ECA:n huomiomekanismi
- YOLOv5: yolov5s.yaml-määritystiedoston tulkinta ja pienen kohteen tunnistuskerroksen lisääminen
- Python muuntaa COCO-muotoisen ilmentymän segmentointitietojoukon YOLO-muotoisen ilmentymän segmentointitietojoukoksi
- YOLOv5: Käytä versiota 7.0 oman ilmentymien segmentointimallin kouluttamiseen (ajoneuvojen, jalankulkijoiden, liikennemerkkien, kaistalinjojen jne.)
- Käytä Kagglen GPU-resursseja ja koe Stable Diffusion avoimen lähdekoodin projekti ilmaiseksi
- YOLOv10:n rakensivat Tsinghuan yliopiston tutkijat Ultralytics Python -paketin pohjalta. Se esitteli uuden menetelmän reaaliaikaiseen kohteen havaitsemiseen ja ratkaisi aiempien YOLO-versioiden jälkikäsittelyn ja malliarkkitehtuurin puutteet. Eliminoimalla ei-maksimaalisen vaimennuksen (NMS) ja optimoimalla eri mallikomponentit YOLOv10 saavuttaa huippuluokan suorituskyvyn ja vähentää merkittävästi laskennallisia kustannuksia. Laajat kokeet osoittavat sen erinomaisen tarkkuuden ja latenssin kompromissin useilla mallimitoilla.
- [1] YOLOv10 lähdekoodin osoite：https://github.com/THU-MIG/yolov10.git
- [2] YOLOv10 paperiosoite：https://arxiv.org/abs/2405.14458
- Yleiskatsaus
Reaaliaikaisen objektien tunnistuksen tarkoituksena on ennustaa tarkasti kohteiden luokka ja sijainti kuvissa, joilla on pieni latenssi. YOLO-sarja on ollut tämän tutkimuksen eturintamassa suorituskyvyn ja tehokkuuden välisen tasapainonsa ansiosta. Riippuvuus NMS:stä ja arkkitehtoniset tehottomuudet estävät kuitenkin optimaalisen suorituskyvyn. YOLOv10 ratkaisee nämä ongelmat ottamalla käyttöön johdonmukaisen kaksoistehtävän nms-vapaaseen koulutukseen ja yleisen tehokkuuteen perustuvan mallin suunnittelustrategian.- Arkkitehtuuri
YOLOv10:n arkkitehtuuri perustuu aiempien YOLO-mallien vahvuuksiin ja tuo mukanaan useita keskeisiä innovaatioita. Mallin arkkitehtuuri koostuu seuraavista osista:
- Runko: YOLOv10:n runko vastaa ominaisuuksien purkamisesta käyttämällä CSPNetin (Cross Stage Partial Network) parannettua versiota gradienttivirran parantamiseksi ja laskennan redundanssin vähentämiseksi.
- Kaula: Kaula on suunniteltu yhdistämään eri asteikkojen piirteet ja välittämään ne päähän. Se sisältää PAN-kerroksen (Path Aggregation Network) tehokkaaseen monimuotoiseen ominaisuuksien yhdistämiseen.
- Yhdestä moneen pää: Luo useita ennusteita kullekin kohteelle harjoitusprosessin aikana, tarjoaa monipuolisia valvontasignaaleja ja parantaa oppimistarkkuutta.
- Yksi yhteen pää: Luo parhaan ennusteen kullekin kohteelle päättelyn aikana, mikä eliminoi NMS:n tarpeen, mikä vähentää latenssia ja lisää tehokkuutta.
- Avainominaisuudet
- NMS-vapaa koulutus: Hyödynnä johdonmukaista kaksoisallokaatiota eliminoidaksesi NMS:n tarpeen ja vähentääksesi päättelyviivettä.
- Kokonaisvaltainen mallisuunnittelu: Jokainen komponentti on täysin optimoitu tehokkuuden ja tarkkuuden näkökulmasta, mukaan lukien kevyt luokituspää, spatiaalinen kanava irrotettu alasnäytteistys ja sijoitusohjauslohkosuunnittelu.
- Parannetut malliominaisuudet: Yhdistää suuren ytimen konvoluutio- ja osittaiset itsetarkkailumoduulit suorituskyvyn parantamiseksi ilman merkittäviä laskentakustannuksia.
- Mallivaihtoehdot: YOLOv10:tä on saatavana useissa eri malleissa, jotka täyttävät erilaiset sovellustarpeet:
- YOLOv10-N: Nanoversio erittäin resurssirajoitteisiin ympäristöihin.
- YOLOv10-S: Pieni versio tasapainottaa nopeutta ja tarkkuutta.
- YOLOv10-M: Keskikokoinen versio yleiskäyttöön (sopii moneen eri tarkoitukseen tai käyttöön).
- YOLOv10-B: Tasapainotettu versio suurennetulla leveydellä lisää tarkkuutta.
- YOLOv10-L: Suuri versio parempaan tarkkuuteen lisääntyneiden laskentaresurssien kustannuksella.
- YOLOv10-X: Erittäin suuri versio maksimaalisen tarkkuuden ja suorituskyvyn saavuttamiseksi.
- tuttuaPython
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
gradio==4.31.5
opencv-python==4.9.0.80
psutil==5.9.8
py-cpuinfo==9.0.0
huggingface-hub==0.23.2
safetensors==0.4.3
pip install ultralytics
# 或者
pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple # 国内清华源，下载速度更快
- YOLOv10 lähdekoodin osoite：https://github.com/THU-MIG/yolov10.git
git clone https://github.com/THU-MIG/yolov10.git
cd yolov10
# conda create -n yolov10 python=3.9
# conda activate yolov10
pip install -r requirements.txt
pip install -e .
Cloning into 'yolov10'...
remote: Enumerating objects: 4583, done.
remote: Counting objects: 100% (4583/4583), done.
remote: Compressing objects: 100% (1270/1270), done.
remote: Total 4583 (delta 2981), reused 4576 (delta 2979), pack-reused 0
Receiving objects: 100% (4583/4583), 23.95 MiB | 1.55 MiB/s, done.
Resolving deltas: 100% (2981/2981), done.
Tulkaa
https://github.com/THU-MIG/yolov10.gitLataa lähdekoodin zip-paketti verkkosivustolta.
cd yolov10
# conda create -n yolov10 python=3.9
# conda activate yolov10
pip install -r requirements.txt
pip install -e .
Tässä artikkelissa käytetty tietojoukko on ilmainenlataa linkki：https://download.csdn.net/download/FriendshipTang/88045378
yolo detect train data=../datasets/Road_Sign_VOC_and_YOLO_datasets/road_sign.yaml model=yolov10n.yaml epochs=100 batch=4 imgsz=640 device=0
yolo predict model=runsdetecttrain4weightsbest.pt source=E:/mytest/datasets/Road_Sign_VOC_and_YOLO_datasets/testset/images
yolo detect val data=../datasets/Road_Sign_VOC_and_YOLO_datasets/road_sign.yaml model=runsdetecttrain4weightsbest.pt batch=4 imgsz=640 device=0
[1] YOLOv10 lähdekoodin osoite：https://github.com/THU-MIG/yolov10.git
[2] YOLOv10 paperiosoite：https://arxiv.org/abs/2405.14458
- Rajallisen tasoni vuoksi on väistämätöntä, että tulee virheitä ja puutteita, arvostele ja korjaa ne.
- Lisää jännittävää sisältöä napsauttamalla pääset sisäänPython päivittäiset toiminnotsarake,OpenCV-Python pieni sovellussarake,YOLO-sarjasarake,luonnollisen kielen käsittelysarake tai minunKotisivuTarkistaa
- Kasvojen naamiotunnistus perustuu DETR:ään
- YOLOv7 kouluttaa omaa tietojoukkoaan (maskin tunnistus)
- YOLOv8 harjoittelee omaa tietojoukkoaan (jalkapallon tunnistus)
- YOLOv5: TensorRT nopeuttaa YOLOv5-mallin päättelyä
- YOLOv5: IoU, GIoU, DIoU, CIoU, EIoU
- Pelaaminen Jetson Nanolla (5): TensorRT nopeuttaa YOLOv5-kohteen havaitsemista
- YOLOv5: Lisää SE, CBAM, CoordAtt, ECA:n huomiomekanismi
- YOLOv5: yolov5s.yaml-määritystiedoston tulkinta ja pienen kohteen tunnistuskerroksen lisääminen
- Python muuntaa COCO-muotoisen ilmentymän segmentointitietojoukon YOLO-muotoisen ilmentymän segmentointitietojoukoksi
- YOLOv5: Käytä versiota 7.0 oman ilmentymien segmentointimallin kouluttamiseen (ajoneuvojen, jalankulkijoiden, liikennemerkkien, kaistalinjojen jne.)
- Käytä Kagglen GPU-resursseja ja koe Stable Diffusion avoimen lähdekoodin projekti ilmaiseksi
Hän on omistautunut teknologian tutkimukselle yli 30 vuoden ajan ja hallitsee useita kieliä, kuten java, linux, javascript, php, css jne. Hän on tehnyt paljon työtä avoimen lähdekoodin alalla Kehittäjän dokumentaatioasema, jossa voit jakaa joitakin teknologian kehittämisen ongelmia myöhempää käyttöä varten
