Compartir tecnología

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Prefacio

• Debido a mi nivel limitado, es inevitable que haya errores y omisiones. Por favor critíquelos y corríjalos.
• Para obtener más contenido interesante, haga clic para ingresar.Operaciones diarias de PythonColumna,Pequeña aplicación OpenCV-PythonColumna,serie yoloColumna,procesamiento natural del lenguajecolumna o la míaPágina principalControlar
• Detección de disfraz facial basada en DETR
• YOLOv7 entrena su propio conjunto de datos (detección de máscara)
• YOLOv8 entrena su propio conjunto de datos (detección de fútbol)
• YOLOv5: TensorRT acelera la inferencia del modelo YOLOv5
• YOLOv5: IoU, GIoU, DIoU, CIoU, EIoU
• Jugando con Jetson Nano (5): TensorRT acelera la detección de objetivos YOLOv5
• YOLOv5: Agregar mecanismo de atención SE, CBAM, CoordAtt, ECA
• YOLOv5: interpretación del archivo de configuración yolov5s.yaml y adición de una pequeña capa de detección de objetivos
• Python convierte el conjunto de datos de segmentación de instancias en formato COCO al conjunto de datos de segmentación de instancias en formato YOLO
• YOLOv5: utilice la versión 7.0 para entrenar su propio modelo de segmentación de instancias (segmentación de instancias de vehículos, peatones, señales de tráfico, líneas de carril, etc.)
• Utilice los recursos de Kaggle GPU para experimentar el proyecto de código abierto Stable Diffusion de forma gratuita

Introducción relacionada

• YOLOv10 fue construido por investigadores de la Universidad de Tsinghua basándose en el paquete Ultralytics Python. Introdujo un nuevo método de detección de objetivos en tiempo real y resolvió las deficiencias del posprocesamiento y la arquitectura del modelo en versiones anteriores de YOLO. Al eliminar la supresión no máxima (NMS) y optimizar varios componentes del modelo, YOLOv10 logra un rendimiento de vanguardia al tiempo que reduce significativamente la sobrecarga computacional. Amplios experimentos demuestran su precisión superior y su compensación de latencia en múltiples escalas de modelos.
• [1] Dirección del código fuente de YOLOv10：https://github.com/THU-MIG/yolov10.git
• [2] Dirección en papel YOLOv10：https://arxiv.org/abs/2405.14458
  
• Descripción general
  El propósito de la detección de objetos en tiempo real es predecir con precisión la categoría y ubicación de los objetos en imágenes con baja latencia. La serie YOLO ha estado a la vanguardia de esta investigación debido a su equilibrio entre rendimiento y eficiencia. Sin embargo, la dependencia de NMS y las ineficiencias arquitectónicas obstaculizan el rendimiento óptimo. YOLOv10 aborda estos problemas mediante la introducción de una doble tarea consistente para la capacitación sin nms y una estrategia general de diseño de modelos impulsada por la eficiencia y la precisión.
• Arquitectura
  La arquitectura de YOLOv10 se basa en las fortalezas de los modelos YOLO anteriores al tiempo que introduce varias innovaciones clave. La arquitectura del modelo consta de los siguientes componentes:
  • Backbone: el backbone de YOLOv10 es responsable de la extracción de características, utilizando una versión mejorada de CSPNet (Cross Stage Partial Network) para mejorar el flujo de gradiente y reducir la redundancia computacional.
  • Cuello: El cuello está diseñado para reunir rasgos de diferentes escalas y transmitirlos a la cabeza. Incluye una capa PAN (Red de agregación de rutas) para una fusión eficaz de entidades de múltiples escalas.
  • Cabezal uno a muchos: genera múltiples predicciones para cada objeto durante el proceso de entrenamiento, proporcionando señales de supervisión enriquecidas y mejorando la precisión del aprendizaje.
  • Cabezal uno a uno: genera la mejor predicción para cada objeto durante la inferencia para eliminar la necesidad de NMS, reduciendo así la latencia y aumentando la eficiencia.
• Características clave
  • Capacitación sin NMS: aproveche la asignación dual consistente para eliminar la necesidad de NMS y reducir la latencia de inferencia.
  • Diseño de modelo holístico: cada componente está completamente optimizado desde la perspectiva de la eficiencia y la precisión, incluido el cabezal de clasificación liviano, la reducción de resolución desacoplada del canal espacial y el diseño del bloque guía de rango.
  • Capacidades de modelo mejoradas: combina convolución de núcleo grande y módulos de autoatención parcial para mejorar el rendimiento sin un costo computacional significativo.
• Variantes de modelos: YOLOv10 viene en una variedad de modelos para satisfacer diferentes necesidades de aplicación:
  • YOLOv10-N: versión nano para entornos con recursos extremadamente limitados.
  • YOLOv10-S: La versión pequeña equilibra velocidad y precisión.
  • YOLOv10-M: Versión mediana para uso general (adecuada para muchos propósitos o usos diferentes).
  • YOLOv10-B: Versión equilibrada con mayor ancho para una mayor precisión.
  • YOLOv10-L: Versión grande para una mayor precisión a costa de mayores recursos computacionales.
  • YOLOv10-X: Versión extragrande para máxima precisión y rendimiento.
    

Requisitos previos

• familiarPitón

ambiente de 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

Entorno de instalación

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

dirección del proyecto

• Dirección del código fuente de YOLOv10：https://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

Ventanas

por favor vengahttps://github.com/THU-MIG/yolov10.gitDescargue el paquete zip del código fuente del sitio 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

Utilice YOLOv10 para entrenar su propio conjunto de datos para la detección de señales de tráfico

preparar datos

El conjunto de datos utilizado en este artículo es gratuito.enlace de descarga：https://download.csdn.net/download/FriendshipTang/88045378

entrenamiento de la conducta

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

hacer predicciones

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

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

referencias

[1] Dirección del código fuente de YOLOv10：https://github.com/THU-MIG/yolov10.git
[2] Dirección en papel YOLOv10：https://arxiv.org/abs/2405.14458

• Debido a mi nivel limitado, es inevitable que haya errores y omisiones. Por favor critíquelos y corríjalos.
• Para obtener más contenido interesante, haga clic para ingresar.Operaciones diarias de PythonColumna,Pequeña aplicación OpenCV-PythonColumna,serie yoloColumna,procesamiento natural del lenguajecolumna o la míaPágina principalControlar
• Detección de disfraz facial basada en DETR
• YOLOv7 entrena su propio conjunto de datos (detección de máscara)
• YOLOv8 entrena su propio conjunto de datos (detección de fútbol)
• YOLOv5: TensorRT acelera la inferencia del modelo YOLOv5
• YOLOv5: IoU, GIoU, DIoU, CIoU, EIoU
• Jugando con Jetson Nano (5): TensorRT acelera la detección de objetivos YOLOv5
• YOLOv5: Agregar mecanismo de atención SE, CBAM, CoordAtt, ECA
• YOLOv5: interpretación del archivo de configuración yolov5s.yaml y adición de una pequeña capa de detección de objetivos
• Python convierte el conjunto de datos de segmentación de instancias en formato COCO al conjunto de datos de segmentación de instancias en formato YOLO
• YOLOv5: utilice la versión 7.0 para entrenar su propio modelo de segmentación de instancias (segmentación de instancias de vehículos, peatones, señales de tráfico, líneas de carril, etc.)
• Utilice los recursos de Kaggle GPU para experimentar el proyecto de código abierto Stable Diffusion de forma gratuita