प्रौद्योगिकी साझेदारी

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

प्रस्तावना

• मम सीमितस्तरस्य कारणात् त्रुटयः लोपाः च भविष्यन्ति इति अनिवार्यम्।
• अधिकरोमाञ्चकारीसामग्रीणां कृते प्रवेशार्थं क्लिक् कुर्वन्तुपायथन दैनिक संचालनम्स्तम्भ,OpenCV-Python लघु अनुप्रयोगस्तम्भ,YOLO श्रृङ्खलास्तम्भ,प्राकृतिक भाषा संसाधनस्तम्भः मम वामुखपृष्ठअनुशीलय
• DETR इत्यस्य आधारेण मुखस्य वेषस्य अन्वेषणम्
• YOLOv7 स्वस्य आँकडासमूहं (mask detection) प्रशिक्षयति ।
• YOLOv8 स्वस्य आँकडासमूहं (football detection) प्रशिक्षयति ।
• YOLOv5: TensorRT YOLOv5 मॉडल अनुमानं त्वरयति
• YOLOv5:IoU、GIoU、DIoU、CIoU、EIoU
• Jetson Nano (5) इत्यनेन सह क्रीडति: TensorRT YOLOv5 लक्ष्यपरिचयं त्वरयति
• YOLOv5: SE, CBAM, CoordAtt, ECA ध्यानतन्त्रं योजयन्तु
• YOLOv5: yolov5s.yaml विन्याससञ्चिकायाः ​​व्याख्या तथा लघुलक्ष्यपरिचयस्तरं योजयितुं
• पायथन् COCO प्रारूपदृष्टान्तविभाजनदत्तांशसमूहं YOLO प्रारूपदृष्टान्तविभाजनदत्तांशसमूहे परिवर्तयति
• YOLOv5: स्वस्य उदाहरणविभाजनप्रतिरूपं (वाहनानां, पदयात्रिकाणां, मार्गचिह्नानां, लेनरेखायाः इत्यादीनां उदाहरणविभाजनं) प्रशिक्षितुं संस्करणस्य 7.0 इत्यस्य उपयोगं कुर्वन्तु
• Stable Diffusion मुक्तस्रोतप्रकल्पस्य निःशुल्कं अनुभवं कर्तुं Kaggle GPU संसाधनानाम् उपयोगं कुर्वन्तु

सम्बन्धित परिचय

• YOLOv10 इत्यस्य निर्माणं सिंघुआ विश्वविद्यालयस्य शोधकर्तृभिः Ultralytics Python संकुलस्य आधारेण कृतम् आसीत्, एतत् वास्तविकसमयस्य लक्ष्यपरिचयस्य नूतनपद्धतिं प्रवर्तयति स्म तथा च पूर्वस्मिन् YOLO संस्करणेषु उत्तर-प्रक्रियाकरणस्य, मॉडल-आर्किटेक्चरस्य च अभावानाम् समाधानं कृतवान् गैर-अधिकतमदमनं (NMS) समाप्तं कृत्वा विभिन्नानां मॉडलघटकानाम् अनुकूलनं कृत्वा YOLOv10 अत्याधुनिकं प्रदर्शनं प्राप्नोति तथा च कम्प्यूटेशनल-ओवरहेड् महत्त्वपूर्णतया न्यूनीकरोति व्यापकप्रयोगाः बहुविधमाडलपरिमाणेषु तस्य श्रेष्ठसटीकतां विलम्बव्यापार-व्यापारं च प्रदर्शयन्ति ।
• [1] YOLOv10 स्रोत कोड पता:https://github.com/THU-MIG/yolov10.git
• [2] YOLOv10 कागज पता:https://arxiv.org/abs/2405.14458
  
• अवलोकनम्
  वास्तविकसमये वस्तुपरिचयस्य उद्देश्यं न्यूनविलम्बयुक्तेषु चित्रेषु वस्तुनां श्रेणीं स्थानं च समीचीनतया पूर्वानुमानं कर्तुं भवति । कार्यप्रदर्शनस्य कार्यक्षमतायाः च सन्तुलनस्य कारणात् YOLO श्रृङ्खला अस्मिन् शोधकार्य्ये अग्रणी अभवत् । परन्तु एनएमएस इत्यस्य उपरि निर्भरता तथा वास्तुशिल्पस्य अक्षमता इष्टतमप्रदर्शने बाधां जनयति । YOLOv10 nms-मुक्तप्रशिक्षणस्य कृते सुसंगतं द्वय-कार्यकरणं तथा समग्रदक्षता-सटीकता-सञ्चालितं मॉडल-डिजाइन-रणनीतिं प्रवर्तयन् एतान् विषयान् सम्बोधयति
• संरचना
  YOLOv10 इत्यस्य वास्तुकला पूर्ववर्तीनां YOLO मॉडलानां सामर्थ्यानां आधारेण निर्मितं भवति तथा च अनेकाः प्रमुखाः नवीनताः परिचयं ददाति । आदर्शवास्तुकलायां निम्नलिखितघटकाः सन्ति ।
  • मेरुदण्डः : YOLOv10 इत्यस्मिन् मेरुदण्डः विशेषतानिष्कासनस्य उत्तरदायी अस्ति, ढालप्रवाहस्य सुधारणाय तथा च कम्प्यूटेशनल अतिरेकं न्यूनीकर्तुं CSPNet (Cross Stage Partial Network) इत्यस्य वर्धितसंस्करणस्य उपयोगेन
  • कण्ठः - कण्ठः भिन्न-भिन्न-परिमाणानां विशेषताः एकत्र आनयितुं शिरःपर्यन्तं प्रसारयितुं निर्मितः अस्ति । अस्मिन् प्रभावी बहु-परिमाण-विशेषता-संलयनार्थं PAN (Path Aggregation Network) स्तरः अन्तर्भवति ।
  • एक-बहु-शिरः : प्रशिक्षणप्रक्रियायाः समये प्रत्येकस्य वस्तुनः कृते बहुविधं भविष्यवाणीं जनयति, समृद्धानि पर्यवेक्षणसंकेतानि प्रदाति, शिक्षणसटीकतासु सुधारं च करोति
  • एक-एक-शिरः : एनएमएसस्य आवश्यकतां निवारयितुं अनुमानस्य समये प्रत्येकस्य वस्तुनः कृते उत्तमं पूर्वानुमानं जनयति, तस्मात् विलम्बं न्यूनीकरोति, कार्यक्षमतां च वर्धयति
• मुख्यविशेषताः
  • एनएमएस-मुक्तप्रशिक्षणम् : एनएमएसस्य आवश्यकतां समाप्तुं अनुमानविलम्बतां न्यूनीकर्तुं च सुसंगतद्वयविनियोगस्य लाभं गृह्यताम्।
  • समग्रप्रतिरूपनिर्माणम् : प्रत्येकं घटकं दक्षतायाः सटीकतायाश्च दृष्ट्या पूर्णतया अनुकूलितं भवति, यत्र हल्के वर्गीकरणशिरः, स्थानिकचैनलवियुग्मितं डाउनसैम्पलिंगं, रैङ्कगाइडब्लॉकडिजाइनं च सन्ति
  • वर्धितानि मॉडलक्षमता: महत्त्वपूर्णगणनाव्ययस्य विना प्रदर्शने सुधारं कर्तुं बृहत्-कोर-कन्वोल्यूशनं आंशिक-स्व-ध्यान-मॉड्यूलं च संयोजयति।
• मॉडल् वेरिएण्ट्स्: YOLOv10 भिन्न-भिन्न-अनुप्रयोग-आवश्यकतानां पूर्तये विविध-माडल-मध्ये आगच्छति:
  • YOLOv10-N: अत्यन्तं संसाधन-संकुचित-वातावरणानां कृते नैनो संस्करणम्।
  • YOLOv10-S: लघुसंस्करणं गतिं सटीकताञ्च सन्तुलितं करोति ।
  • YOLOv10-M: सामान्य-उद्देश्य-उपयोगाय मध्यमसंस्करणं (बहुविध-प्रयोजनानां वा उपयोगानां वा कृते उपयुक्तम्)।
  • YOLOv10-B: अधिकसटीकतायै विस्तारितायाः सह संतुलितं संस्करणम्।
  • YOLOv10-L: वर्धितानां गणनासंसाधनानाम् मूल्येन उच्चतरसटीकतायै बृहत् संस्करणम्।
  • YOLOv10-X: अधिकतमसटीकतायै कार्यप्रदर्शनाय च अतिरिक्त-बृहत् संस्करणम्।
    

पूर्वापेक्षा

• परिचितअजगर

प्रयोगशाला वातावरण

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

संस्थापनपर्यावरणम्

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

परियोजना पता

• YOLOv10 स्रोत कोड पता:https://github.com/THU-MIG/yolov10.git

लिनक्स

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

विण्डोज

कृपया आगच्छन्तुhttps://github.com/THU-MIG/yolov10.gitवेबसाइट् तः स्रोतसङ्केतस्य जिप् संकुलं डाउनलोड् कुर्वन्तु ।

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

यातायातचिह्नपरिचयार्थं स्वस्य दत्तांशसमूहस्य प्रशिक्षणार्थं YOLOv10 इत्यस्य उपयोगं कुर्वन्तु

दत्तांशं सज्जीकरोतु

अस्मिन् लेखे प्रयुक्तः दत्तांशसमूहः निःशुल्कः अस्तिdownload link:https://download.csdn.net/download/मैत्रीतांग/88045378

प्रशिक्षणं संचालितं कुर्वन्ति

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

भविष्यवाणीं कुर्वन्तु

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

प्रमाणीकरणम्

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

सन्दर्भाः

[1] YOLOv10 स्रोत कोड पता:https://github.com/THU-MIG/yolov10.git
[2] YOLOv10 कागज पता:https://arxiv.org/abs/2405.14458

• मम सीमितस्तरस्य कारणात् त्रुटयः लोपाः च भविष्यन्ति इति अनिवार्यम्।
• अधिकरोमाञ्चकारीसामग्रीणां कृते प्रवेशार्थं क्लिक् कुर्वन्तुपायथन दैनिक संचालनम्स्तम्भ,OpenCV-Python लघु अनुप्रयोगस्तम्भ,YOLO श्रृङ्खलास्तम्भ,प्राकृतिक भाषा संसाधनस्तम्भः मम वामुखपृष्ठअनुशीलय
• DETR इत्यस्य आधारेण मुखस्य वेषस्य अन्वेषणम्
• YOLOv7 स्वस्य आँकडासमूहं (mask detection) प्रशिक्षयति ।
• YOLOv8 स्वस्य आँकडासमूहं (football detection) प्रशिक्षयति ।
• YOLOv5: TensorRT YOLOv5 मॉडल अनुमानं त्वरयति
• YOLOv5:IoU、GIoU、DIoU、CIoU、EIoU
• Jetson Nano (5) इत्यनेन सह क्रीडति: TensorRT YOLOv5 लक्ष्यपरिचयं त्वरयति
• YOLOv5: SE, CBAM, CoordAtt, ECA ध्यानतन्त्रं योजयन्तु
• YOLOv5: yolov5s.yaml विन्याससञ्चिकायाः ​​व्याख्या तथा लघुलक्ष्यपरिचयस्तरं योजयितुं
• पायथन् COCO प्रारूपदृष्टान्तविभाजनदत्तांशसमूहं YOLO प्रारूपदृष्टान्तविभाजनदत्तांशसमूहे परिवर्तयति
• YOLOv5: स्वस्य उदाहरणविभाजनप्रतिरूपं (वाहनानां, पदयात्रिकाणां, मार्गचिह्नानां, लेनरेखायाः इत्यादीनां उदाहरणविभाजनं) प्रशिक्षितुं संस्करणस्य 7.0 इत्यस्य उपयोगं कुर्वन्तु
• Stable Diffusion मुक्तस्रोतप्रकल्पस्य निःशुल्कं अनुभवं कर्तुं Kaggle GPU संसाधनानाम् उपयोगं कुर्वन्तु