Technology sharing

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Praefatio

• Ob angustias meas, necesse est ut errores et omissiones fiant.
• Pro contento magis excitando, preme inirePython cotidianis operibusColumnae;OpenCV-Python parva applicationeColumnae;YOLO seriesColumnae;naturalis lingua processuscolumna vel meaProtocollumCheck
• Dissimulato facie secundum DETR
• YOLOv7 impedimenta sua notitia paro (persona deprehensio)
• YOLOv8 impedimenta sua notitia paro (eu deprehensio)
• YOLOv5: TensorRT accelerat YOLOv5 exemplar illationis
• YOLOv5：IoU、GIoU、DIoU、CIoU、EIoU
• Ludens cum Jetson Nano (5): TensorRT accelerat YOLOv5 scopum deprehensio
• YOLOv5: Adde SE, CBAM, CoordAtt, ECA operam mechanismi
• YOLOv5: interpretatio yolov5s.yaml configuration file, addito parva scopum deprehendatur iacuit
• Python COCO convertitur instantia segmentationis forma data in YOLO forma data instantia segmentationis notitia paro
• YOLOv5: Utere versione 7.0 ad exemplum justorum instantiae tuae instituendi (exempli gratia segmentatio vehiculorum, pedestres, signa viarum, lineae lane, etc.)
• Utere Kaggle GPU opibus experiri Stabilem diffusionem apertam fontem project gratis

Related introductio

• YOLOv10 ab inquisitoribus ab Universitate Tsinghua fundata in sarcina Pythonis Ultralytics aedificata est. Novam methodum scopum reali temporis deprehensio induxit et defectus post-processus et exemplar architecturae in prioribus YOLO versionibus solvit. Subtrahendo suppressionem non maximam et optimizing variarum partium exemplar, YOLOv10 consequitur statum-of-artis effectus, dum signanter reducendo supra caput computationale. Extensiva experimenta suam subtilitatem et latentiam mercaturam plurium in squamarum exemplarium praestantiorem demonstrant.
• [1] YOLOv10 source code electronicahttps://github.com/THU-MIG/yolov10.git
• [2] YOLOv10 charta electronicahttps://arxiv.org/abs/2405.14458
  
• Overview
  Propositum obiecti deprehensionis reali temporis est accurate praedicere categoriam et situm objectorum in imaginibus humili latency. Series YOLO in fronte huius inquisitionis fuit ob aequilibrium inter effectum et efficientiam. Nihilominus dependentia ab NMS et inefficacia architecturae optimam observantiam impediunt. YOLOv10 has quaestiones alloquitur introducendo congruenter dual-agere pro nms-libera disciplina et altiore efficientia-accuratio eiecto exemplari consiliorum consilio.
• Architecture
  Architectura YOLOv10 in robore priorum exemplorum YOLO aedificat dum varia clavis innovationes introducit. Exemplar architecturae in hisce componentibus consistit:
  • Spina: Spina in YOLOv10 responsabilis est ad extractionem plumarum, adhibita versione aucta CSPNet (Reticulum crucis) ad fluxum clivum emendandum et redundantiam computationis minuendam.
  • Collum: Collum ordinatur ad componendas squamarum lineas et eas ad caput deportandum. Iaculum includit craticulae (Path Aggregatio Network) pro fusione multi-scalae efficax pluma.
  • Unius-ad-Mult Head: multa praedictiones pro unoquoque objecto in processu disciplinae generat, opulenta vigilantia signa praebens ac accuratam doctrinam emendans.
  • Unum ad unum caput: Optimum praedictum generat pro unoquoque objecto per consequentiam ad tollendam necessitatem NMS, reducendo latentiam et augendam efficientiam.
• Res maiora
  • NMS-Freae Disciplina: Leverage destinatio dualis constantis ad necessitatem NMS tollendam et consequentiam latency minuendam.
  • Holistic Model Design: Unaquaeque pars plene optimized est ex prospectu efficientiae et accurationis, inter caput leve classificationis, alvei localis declivi descensionis et ordinis ductoris clausus design.
  • Facultates amplificatae Model: Convolutionis magnae-core convolutionis et partialis sui ipsius moduli attentionem ad emendam perficiendam sine notabili computatorio sumptum componit.
• Exemplar Variantes: YOLOv10 in variis exemplaribus occurrit ut diversae applicationis necessitates occurrant;
  • YOLOv10-N: Versio Nano ad res ambitus valde constrictas.
  • YOLOv10-S: Versio parva velocitatem et accurate librat.
  • YOLOv10-M: Media versio ad usum generalem (pro multis diversis propositis vel usibus aptum).
  • YOLOv10-B: Libra librata latitudinibus aucta pro accuratione superiore.
  • YOLOv10-L: Magnae versionis accurationis altioris sumptu auctarum opum computationum.
  • YOLOv10-X: Extra-magna versio ad accurationem maximam et peractionem.
    

PRAEREQUISITIS

• notaPython

lab environment

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

Installation Opera

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

project oratio

• YOLOv10 source code electronicahttps://github.com/THU-MIG/yolov10.git

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

Windows

Venitehttps://github.com/THU-MIG/yolov10.gitFontem codicem zip sarcina e pagina interretialem exstinguere.

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

Uti YOLOv10 instituendi tua notitia paro negotiationis signum deprehendatur

Para data

Data set in hoc articulo est liberdownload linkhttps://download.csdn.net/download/FriendshipTang/88045378

mores disciplina

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

praedico

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

authenticating

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

references

[1] YOLOv10 source code electronicahttps://github.com/THU-MIG/yolov10.git
[2] YOLOv10 charta electronicahttps://arxiv.org/abs/2405.14458

• Ob angustias meas, necesse est ut errores et omissiones fiant.
• Pro contento magis excitando, preme inirePython cotidianis operibusColumnae;OpenCV-Python parva applicationeColumnae;YOLO seriesColumnae;naturalis lingua processuscolumna vel meaProtocollumCheck
• Dissimulato facie secundum DETR
• YOLOv7 impedimenta sua notitia paro (persona deprehensio)
• YOLOv8 impedimenta sua notitia paro (eu deprehensio)
• YOLOv5: TensorRT accelerat YOLOv5 exemplar illationis
• YOLOv5：IoU、GIoU、DIoU、CIoU、EIoU
• Ludens cum Jetson Nano (5): TensorRT accelerat YOLOv5 scopum deprehensio
• YOLOv5: Adde SE, CBAM, CoordAtt, ECA operam mechanismi
• YOLOv5: interpretatio yolov5s.yaml configuration file, addito parva scopum deprehendatur iacuit
• Python COCO convertitur instantia segmentationis forma data in YOLO forma data instantia segmentationis notitia paro
• YOLOv5: Utere versione 7.0 ad exemplum justorum instantiae tuae instituendi (exempli gratia segmentatio vehiculorum, pedestres, signa viarum, lineae lane, etc.)
• Utere Kaggle GPU opibus experiri Stabilem diffusionem apertam fontem project gratis