Обмен технологиями

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Предисловие

• Из-за моего ограниченного уровня неизбежны ошибки и упущения. Пожалуйста, критикуйте и исправляйте их.
• Чтобы увидеть больше интересного контента, нажмите, чтобы войтиЕжедневные операции PythonСтолбец,Небольшое приложение OpenCV-PythonСтолбец,ЙОЛО серияСтолбец,обработка естественного языкаколонка или мояДомашняя страницаПроверять
• Обнаружение маскировки лица на основе DETR
• YOLOv7 обучает собственный набор данных (обнаружение маски)
• YOLOv8 обучает собственный набор данных (обнаружение футбола)
• YOLOv5: TensorRT ускоряет вывод модели YOLOv5
• YOLOv5: IoU, GIoU, DIoU, CIoU, EIoU
• Играем с Jetson Nano (5): TensorRT ускоряет обнаружение целей YOLOv5
• YOLOv5: добавить SE, CBAM, CoordAtt, механизм внимания ECA.
• YOLOv5: интерпретация файла конфигурации yolov5s.yaml и добавление небольшого слоя обнаружения целей.
• Python преобразует набор данных сегментации экземпляра формата COCO в набор данных сегментации экземпляра формата YOLO.
• YOLOv5: используйте версию 7.0 для обучения собственной модели сегментации экземпляра (сегментация экземпляров транспортных средств, пешеходов, дорожных знаков, линий полосы движения и т. д.).
• Используйте ресурсы Kaggle GPU, чтобы бесплатно испытать проект с открытым исходным кодом Stable Diffusion.

Связанное введение

• YOLOv10 был создан исследователями из Университета Цинхуа на основе пакета Ultralytics Python. Он представил новый метод обнаружения целей в реальном времени и устранил недостатки постобработки и архитектуры модели в предыдущих версиях YOLO. Устраняя немаксимальное подавление (NMS) и оптимизируя различные компоненты модели, YOLOv10 достигает высочайшей производительности, одновременно значительно сокращая вычислительные затраты. Обширные эксперименты демонстрируют превосходную точность и компромисс между задержкой в ​​различных масштабах модели.
• [1] Адрес исходного кода YOLOv10：https://github.com/THU-MIG/yolov10.git
• [2] Бумажный адрес YOLOv10：https://arxiv.org/abs/2405.14458
  
• Обзор
  Целью обнаружения объектов в реальном времени является точное предсказание категории и местоположения объектов на изображениях с низкой задержкой. Серия YOLO оказалась в авангарде этого исследования благодаря своему балансу между производительностью и эффективностью. Однако зависимость от NMS и неэффективность архитектуры препятствуют оптимальной производительности. YOLOv10 решает эти проблемы, вводя последовательную двойную задачу для обучения без NMS и общую стратегию проектирования моделей, ориентированную на эффективность и точность.
• Архитектура
  Архитектура YOLOv10 опирается на сильные стороны предыдущих моделей YOLO, но при этом содержит несколько ключевых инноваций. Архитектура модели состоит из следующих компонентов:
  • Магистраль: Магистраль в YOLOv10 отвечает за извлечение функций с использованием расширенной версии CSPNet (межэтапная частичная сеть) для улучшения градиентного потока и уменьшения избыточности вычислений.
  • Шея: Шея предназначена для объединения черт разных масштабов и передачи их голове. Он включает в себя уровень PAN (сеть агрегирования путей) для эффективного многомасштабного объединения функций.
  • Глава «Один-ко-многим»: генерирует несколько прогнозов для каждого объекта во время процесса обучения, предоставляя богатые контрольные сигналы и повышая точность обучения.
  • Голова «один к одному»: генерирует лучший прогноз для каждого объекта во время вывода, чтобы исключить необходимость в NMS, тем самым уменьшая задержку и повышая эффективность.
• Ключевая особенность
  • Обучение без NMS: используйте последовательное двойное распределение, чтобы исключить необходимость в NMS и сократить задержку вывода.
  • Целостный дизайн модели: каждый компонент полностью оптимизирован с точки зрения эффективности и точности, включая легкую классификационную головку, понижающую дискретизацию с развязкой по пространственным каналам и конструкцию блока направляющих рангов.
  • Расширенные возможности модели: сочетает в себе модули свертки с большим ядром и модули частичного самообслуживания для повышения производительности без значительных вычислительных затрат.
• Варианты моделей: YOLOv10 поставляется в различных моделях для удовлетворения различных потребностей приложений:
  • YOLOv10-N: версия Nano для сред с крайне ограниченными ресурсами.
  • YOLOv10-S: Маленькая версия сочетает в себе скорость и точность.
  • YOLOv10-M: Средняя версия для общего использования (подходит для самых разных целей и применений).
  • YOLOv10-B: сбалансированная версия с увеличенной шириной для более высокой точности.
  • YOLOv10-L: Большая версия для более высокой точности за счет увеличения вычислительных ресурсов.
  • YOLOv10-X: сверхбольшая версия для максимальной точности и производительности.
    

Предварительные условия

• привычныйПитон

лабораторная среда

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

Среда установки

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

адрес проекта

• Адрес исходного кода YOLOv10：https://github.com/THU-MIG/yolov10.git

Линукс

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

Окна

пожалуйста, приходитеhttps://github.com/THU-MIG/yolov10.gitЗагрузите zip-пакет исходного кода с веб-сайта.

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

Используйте YOLOv10, чтобы обучить свой собственный набор данных обнаружению дорожных знаков.

Подготовьте данные

Набор данных, используемый в этой статье, бесплатен.ссылка для скачивания：https://download.csdn.net/download/FriendshipTang/88045378

проводить обучение

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

делать предсказания

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

аутентификация

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

Рекомендации

[1] Адрес исходного кода YOLOv10：https://github.com/THU-MIG/yolov10.git
[2] Бумажный адрес YOLOv10：https://arxiv.org/abs/2405.14458

• Из-за моего ограниченного уровня неизбежны ошибки и упущения. Пожалуйста, критикуйте и исправляйте их.
• Чтобы увидеть больше интересного контента, нажмите, чтобы войтиЕжедневные операции PythonСтолбец,Небольшое приложение OpenCV-PythonСтолбец,ЙОЛО серияСтолбец,обработка естественного языкаколонка или мояДомашняя страницаПроверять
• Обнаружение маскировки лица на основе DETR
• YOLOv7 обучает собственный набор данных (обнаружение маски)
• YOLOv8 обучает собственный набор данных (обнаружение футбола)
• YOLOv5: TensorRT ускоряет вывод модели YOLOv5
• YOLOv5: IoU, GIoU, DIoU, CIoU, EIoU
• Играем с Jetson Nano (5): TensorRT ускоряет обнаружение целей YOLOv5
• YOLOv5: добавить SE, CBAM, CoordAtt, механизм внимания ECA.
• YOLOv5: интерпретация файла конфигурации yolov5s.yaml и добавление небольшого слоя обнаружения целей.
• Python преобразует набор данных сегментации экземпляра формата COCO в набор данных сегментации экземпляра формата YOLO.
• YOLOv5: используйте версию 7.0 для обучения собственной модели сегментации экземпляра (сегментация экземпляров транспортных средств, пешеходов, дорожных знаков, линий полосы движения и т. д.).
• Используйте ресурсы Kaggle GPU, чтобы бесплатно испытать проект с открытым исходным кодом Stable Diffusion.