기술나눔

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

머리말

• 제 수준의 한계로 인해 잘못된 부분과 누락이 있을 수 있으니 많은 비판과 수정 부탁드립니다.
• 더 흥미로운 콘텐츠를 보려면 클릭하여 입장하세요.Python 일일 작업열,OpenCV-Python 소형 애플리케이션열,욜로 시리즈열,자연어 처리기둥 또는 광산홈페이지확인하다
• DETR 기반의 얼굴 변장 탐지
• YOLOv7은 자체 데이터 세트를 훈련합니다(마스크 감지)
• YOLOv8은 자체 데이터 세트를 학습합니다(축구 감지).
• YOLOv5: TensorRT는 YOLOv5 모델 추론을 가속화합니다.
• YOLOv5：IoU、GIoU、DIoU、CIoU、EIoU
• Jetson Nano 활용(5): TensorRT는 YOLOv5 표적 탐지를 가속화합니다
• YOLOv5: SE, CBAM, CoordAtt, ECA 주의 메커니즘 추가
• YOLOv5: yolov5s.yaml 구성 파일 해석 및 작은 대상 탐지 레이어 추가
• Python은 COCO 형식 인스턴스 분할 데이터 세트를 YOLO 형식 인스턴스 분할 데이터 세트로 변환합니다.
• YOLOv5: 버전 7.0을 사용하여 자체 인스턴스 분할 모델(차량, 보행자, 도로 표지판, 차선 등의 인스턴스 분할)을 학습합니다.
• Kaggle GPU 리소스를 사용하여 Stable Diffusion 오픈 소스 프로젝트를 무료로 경험해보세요

관련 소개

• YOLOv10은 Ultralytics Python 패키지를 기반으로 Tsinghua University의 연구원에 의해 구축되었으며, 실시간 표적 탐지의 새로운 방법을 도입하고 이전 YOLO 버전의 후처리 및 모델 아키텍처의 결함을 해결했습니다. NMS(Non-Maximum Suppression)를 제거하고 다양한 모델 구성 요소를 최적화함으로써 YOLOv10은 계산 오버헤드를 크게 줄이면서 최첨단 성능을 달성합니다. 광범위한 실험을 통해 여러 모델 규모에서 뛰어난 정확도와 대기 시간 균형을 보여줍니다.
• [1] YOLOv10 소스 코드 주소：https://github.com/THU-MIG/yolov10.git
• [2] YOLOv10 논문 주소：https://arxiv.org/abs/2405.14458
  
• 개요
  실시간 객체 감지의 목적은 짧은 지연 시간으로 이미지 속 객체의 카테고리와 위치를 정확하게 예측하는 것입니다. YOLO 시리즈는 성능과 효율성의 균형으로 인해 이 연구의 최전선에 있었습니다. 그러나 NMS에 대한 의존성과 아키텍처의 비효율성은 최적의 성능을 방해합니다. YOLOv10은 nms 없는 교육을 위한 일관된 이중 작업과 전반적인 효율성-정확도 기반 모델 설계 전략을 도입하여 이러한 문제를 해결합니다.
• 건축학
  YOLOv10의 아키텍처는 이전 YOLO 모델의 강점을 기반으로 구축되는 동시에 몇 가지 주요 혁신을 도입합니다. 모델 아키텍처는 다음 구성 요소로 구성됩니다.
  • 백본: YOLOv10의 백본은 향상된 버전의 CSPNet(Cross Stage Partial Network)을 사용하여 그래디언트 흐름을 개선하고 계산 중복성을 줄이는 기능 추출을 담당합니다.
  • 목: 목은 다양한 비늘의 특징을 모아서 머리로 전달하도록 설계되었습니다. 효과적인 다중 규모 기능 융합을 위한 PAN(Path Aggregation Network) 레이어가 포함되어 있습니다.
  • 일대다 헤드: 훈련 과정 중에 각 개체에 대해 여러 예측을 생성하여 풍부한 감독 신호를 제공하고 학습 정확도를 향상시킵니다.
  • 일대일 헤드: 추론 중에 각 개체에 대해 최상의 예측을 생성하여 NMS가 필요하지 않으므로 대기 시간이 줄어들고 효율성이 향상됩니다.
• 주요 특징들
  • NMS 없는 교육: 일관된 이중 할당을 활용하여 NMS의 필요성을 제거하고 추론 대기 시간을 줄입니다.
  • 전체적인 모델 설계: 경량 분류 헤드, 공간 채널 분리 다운샘플링, 순위 가이드 블록 설계를 포함하여 각 구성 요소는 효율성과 정확성의 관점에서 완전히 최적화되었습니다.
  • 향상된 모델 기능: 대규모 코어 컨볼루션과 부분 Self-Attention 모듈을 결합하여 상당한 계산 비용 없이 성능을 향상합니다.
• 모델 변형: YOLOv10은 다양한 애플리케이션 요구 사항을 충족하기 위해 다양한 모델로 제공됩니다.
  • YOLOv10-N: 리소스가 극도로 제한된 환경을 위한 Nano 버전입니다.
  • YOLOv10-S: 소형 버전은 속도와 정확성의 균형을 유지합니다.
  • YOLOv10-M: 범용 사용을 위한 중간 버전(다양한 목적이나 용도에 적합)
  • YOLOv10-B: 더 높은 정확도를 위해 폭을 늘린 균형 잡힌 버전입니다.
  • YOLOv10-L: 컴퓨팅 리소스가 증가함에 따라 정확도가 더 높은 대형 버전입니다.
  • YOLOv10-X: 최고의 정확도와 성능을 제공하는 대형 버전입니다.
    

전제조건

• 친숙한파이썬

실험실 환경

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

설치환경

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

프로젝트 주소

• YOLOv10 소스 코드 주소：https://github.com/THU-MIG/yolov10.git

리눅스

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

윈도우

제발https://github.com/THU-MIG/yolov10.git웹사이트에서 소스 코드 zip 패키지를 다운로드합니다.

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

YOLOv10을 사용하여 교통 표지판 감지를 위한 자체 데이터 세트 훈련

데이터 준비

이 기사에 사용된 데이터 세트는 무료입니다.다운로드 링크：https://download.csdn.net/download/우정당/88045378

훈련을 실시하다

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

예상하다

yolo predict model=runsdetecttrain4weightsbest.pt source=E:/mytest/datasets/Road_Sign_VOC_and_YOLO_datasets/testset/images
1

인증 중

yolo detect val data=../datasets/Road_Sign_VOC_and_YOLO_datasets/road_sign.yaml model=runsdetecttrain4weightsbest.pt batch=4 imgsz=640 device=0
1

참고자료

[1] YOLOv10 소스 코드 주소：https://github.com/THU-MIG/yolov10.git
[2] YOLOv10 논문 주소：https://arxiv.org/abs/2405.14458

• 제 수준의 한계로 인해 잘못된 부분과 누락이 있을 수 있으니 많은 비판과 수정 부탁드립니다.
• 더 흥미로운 콘텐츠를 보려면 클릭하여 입장하세요.Python 일일 작업열,OpenCV-Python 소형 애플리케이션열,욜로 시리즈열,자연어 처리기둥 또는 광산홈페이지확인하다
• DETR 기반의 얼굴 변장 탐지
• YOLOv7은 자체 데이터 세트를 훈련합니다(마스크 감지)
• YOLOv8은 자체 데이터 세트를 학습합니다(축구 감지).
• YOLOv5: TensorRT는 YOLOv5 모델 추론을 가속화합니다.
• YOLOv5：IoU、GIoU、DIoU、CIoU、EIoU
• Jetson Nano 활용(5): TensorRT는 YOLOv5 표적 탐지를 가속화합니다
• YOLOv5: SE, CBAM, CoordAtt, ECA 주의 메커니즘 추가
• YOLOv5: yolov5s.yaml 구성 파일 해석 및 작은 대상 탐지 레이어 추가
• Python은 COCO 형식 인스턴스 분할 데이터 세트를 YOLO 형식 인스턴스 분할 데이터 세트로 변환합니다.
• YOLOv5: 버전 7.0을 사용하여 자체 인스턴스 분할 모델(차량, 보행자, 도로 표지판, 차선 등의 인스턴스 분할)을 학습합니다.
• Kaggle GPU 리소스를 사용하여 Stable Diffusion 오픈 소스 프로젝트를 무료로 경험해보세요