Condivisione della tecnologia

YOLOv10 addestra il proprio set di dati (rilevamento dei segnali stradali)

2024-07-12

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

YOLOv10 addestra il proprio set di dati (rilevamento dei segnali stradali)

Inserisci qui la descrizione dell'immagine
Inserisci qui la descrizione dell'immagine
Inserisci qui la descrizione dell'immagine

Prefazione

Introduzione correlata

  • YOLOv10 è stato creato dai ricercatori dell'Università di Tsinghua sulla base del pacchetto Ultralytics Python. Ha introdotto un nuovo metodo di rilevamento del bersaglio in tempo reale e ha risolto le carenze della post-elaborazione e dell'architettura del modello nelle precedenti versioni di YOLO. Eliminando la soppressione non massima (NMS) e ottimizzando vari componenti del modello, YOLOv10 raggiunge prestazioni all'avanguardia riducendo significativamente il sovraccarico computazionale. Esperimenti approfonditi dimostrano la sua precisione superiore e il compromesso di latenza su più scale di modello.
  • [1] Indirizzo del codice sorgente YOLOv10：https://github.com/THU-MIG/yolov10.git
  • [2] Indirizzo cartaceo YOLOv10：https://arxiv.org/abs/2405.14458
    Inserisci qui la descrizione dell'immagine
  • Panoramica
    Lo scopo del rilevamento degli oggetti in tempo reale è prevedere con precisione la categoria e la posizione degli oggetti nelle immagini con bassa latenza. La serie YOLO è stata in prima linea in questa ricerca grazie al suo equilibrio tra prestazioni ed efficienza. Tuttavia, la dipendenza dagli NMS e le inefficienze architetturali ostacolano le prestazioni ottimali. YOLOv10 affronta questi problemi introducendo un dual-tasking coerente per la formazione senza nms e una strategia di progettazione del modello orientata all'efficienza e alla precisione complessiva.
  • Architettura
    L'architettura di YOLOv10 si basa sui punti di forza dei precedenti modelli YOLO introducendo numerose innovazioni chiave. L’architettura del modello è composta dai seguenti componenti:
    • Backbone: il backbone in YOLOv10 è responsabile dell'estrazione delle funzionalità, utilizzando una versione migliorata di CSPNet (Cross Stage Partial Network) per migliorare il flusso del gradiente e ridurre la ridondanza computazionale.
    • Collo: Il collo è progettato per riunire caratteristiche di scale diverse e trasmetterle alla testa. Include un livello PAN (Path Aggregation Network) per un'efficace fusione di funzionalità multiscala.
    • Testa uno-a-molti: genera più previsioni per ciascun oggetto durante il processo di addestramento, fornendo ricchi segnali di supervisione e migliorando la precisione dell'apprendimento.
    • Testa uno a uno: genera la migliore previsione per ciascun oggetto durante l'inferenza per eliminare la necessità di NMS, riducendo così la latenza e aumentando l'efficienza.
  • Caratteristiche principali
    • Formazione senza NMS: sfrutta la doppia allocazione coerente per eliminare la necessità di NMS e ridurre la latenza di inferenza.
    • Progettazione del modello olistico: ogni componente è completamente ottimizzato dal punto di vista dell'efficienza e della precisione, inclusa la testa di classificazione leggera, il downsampling disaccoppiato del canale spaziale e il design del blocco guida di rango.
    • Funzionalità del modello migliorate: combina moduli di convoluzione con core di grandi dimensioni e di autoattenzione parziale per migliorare le prestazioni senza costi computazionali significativi.
  • Varianti del modello: YOLOv10 è disponibile in una varietà di modelli per soddisfare le diverse esigenze applicative:
    • YOLOv10-N: versione Nano per ambienti estremamente limitati in termini di risorse.
    • YOLOv10-S: la versione piccola bilancia velocità e precisione.
    • YOLOv10-M: versione media per uso generale (adatta a molti scopi o usi diversi).
    • YOLOv10-B: versione bilanciata con larghezza aumentata per una maggiore precisione.
    • YOLOv10-L: versione più grande per una maggiore precisione a costo di maggiori risorse di calcolo.
    • YOLOv10-X: versione extra-large per la massima precisione e prestazioni.
      Inserisci qui la descrizione dell'immagine

Prerequisiti

ambiente di laboratorio

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

  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15

Ambiente di installazione

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

  • 1
  • 2
  • 3

Inserisci qui la descrizione dell'immagine

Inserisci qui la descrizione dell'immagine

indirizzo del progetto

Linux

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 .

  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
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.

  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7

finestre

per favore vienihttps://github.com/THU-MIG/yolov10.gitScarica il pacchetto zip del codice sorgente dal sito web.

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

  • 1
  • 2
  • 3
  • 4
  • 5

Utilizza YOLOv10 per addestrare il tuo set di dati per il rilevamento dei segnali stradali

Preparare i dati

Il set di dati utilizzato in questo articolo è gratuitoLink per scaricare：https://download.csdn.net/download/FriendshipTang/88045378

Inserisci qui la descrizione dell'immagine

condurre la formazione

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

  • 1

Inserisci qui la descrizione dell'immagine
Inserisci qui la descrizione dell'immagine
Inserisci qui la descrizione dell'immagine
Inserisci qui la descrizione dell'immagine

fare previsioni

yolo predict model=runsdetecttrain4weightsbest.pt source=E:/mytest/datasets/Road_Sign_VOC_and_YOLO_datasets/testset/images

  • 1

Inserisci qui la descrizione dell'immagine

Inserisci qui la descrizione dell'immagine
Inserisci qui la descrizione dell'immagine

autenticando

yolo detect val data=../datasets/Road_Sign_VOC_and_YOLO_datasets/road_sign.yaml model=runsdetecttrain4weightsbest.pt batch=4 imgsz=640 device=0

  • 1

Inserisci qui la descrizione dell'immagine

Riferimenti

[1] Indirizzo del codice sorgente YOLOv10：https://github.com/THU-MIG/yolov10.git
[2] Indirizzo cartaceo YOLOv10：https://arxiv.org/abs/2405.14458

Profilo personale

Si dedica alla ricerca tecnologica da più di 30 anni ed è esperto in vari linguaggi come Java, Linux, Javascript, php, css, ecc. Ha dato numerosi contributi nel campo dell'open source stazione di documentazione per gli sviluppatori per condividere alcuni problemi nello sviluppo della tecnologia per riferimento futuro

le mie informazioni di contatto

Posta