YOLOv10:SOTA 实时物体检测

发布时间:2024-07-16  

5 月 23 日,清华大学发布了YOLOv10(You Only Look Once v10),与 YOLOv9 相比,YOLOv10 有了显著改进,在性能保持不变的情况下,延迟减少了 46%,参数减少了 25%。

2. YOLOv10 视觉物体检测:概述

2.1 什么是 YOLO?

YOLO(You Only Look Once)是一种基于深度神经网络的物体检测算法,旨在实时识别和定位图像或视频中的多个物体。YOLO 以其快速的处理速度和高精度而闻名,非常适合需要快速检测物体的应用,例如实时视频分析、自动驾驶和智能医疗

在 YOLO 之前,主流算法是 R-CNN,这是一种“两阶段”方法:首先,生成锚框,然后预测这些框中的物体。YOLO 通过允许“一阶段”直接、端到端输出物体及其位置,彻底改变了这一现状。

· 单阶段算法:这些模型执行直接回归任务以输出对象概率及其坐标。示例包括 SSD、YOLO 和 MTCNN。

· 两阶段算法: 首先生成多个锚框,然后使用卷积神经网络输出这些框内物体的概率和坐标。例如 R-CNN 系列。

2.2 YOLO的网络结构

YOLOv10是YOLOv8的增强,我们先简单看一下YOLOv8的网络结构:

3.YOLOv10 视觉物体检测:训练和推理

3.1 安装YOLOv10

3.1.1 克隆存储库

首先从 GitHub 克隆 YOLOv10 存储库:

git clone https://github.com/THU-MIG/yolov10.git

3.1.2 创建 Conda 环境

接下来,专门为 YOLOv10 创建一个新的 Conda 环境并激活它:

conda create -n yolov10 python=3.10

conda activate yolov10

3.1.3 下载并编译依赖包

为了安装所需的依赖项,建议使用腾讯pip镜像以更快地下载:

pip install -r requirements.txt -i https://mirrors.cloud.tencent.com/pypi/simple

pip install -e . -i https://mirrors.cloud.tencent.com/pypi/simple

3.2 使用 YOLOv10 进行模型推理

3.2.1 模型下载

要开始使用 YOLOv10,我们可以使用以下链接下载预先训练的模型:

· YOLOv10-N

· YOLOv10-S

· YOLOv10-M

· YOLOv10-B

· YOLOv10-L

· YOLOv10-X

3.2.2 WebUI 推断

要使用 WebUI 执行推理,请按照以下步骤操作:

导航到 YOLOv10 项目的根目录。运行以下命令启动该应用程序:

python app.py

一旦服务器成功启动,我们将看到一条消息,表明应用程序正在运行并可供使用。

3.2.3 命令行推断

对于命令行推理,我们可以在 Conda 环境中使用 Yolo 命令。设置和执行方法如下:

激活 YOLOv10 Conda 环境:确保我们已激活之前为 YOLOv10 创建的环境。

1

conda activate yolov10

使用命令行运行推理:使用yolo predict命令进行预测。我们需要指定模型、设备和源图像路径,如下所示:

1

yolo predict model=yolov10n.pt device=2 source=/aigc_dev/yolov10/ultralytics/assets

· model:指定下载的模型文件的路径(例如,yolov10n.pt)。

· device:指定使用哪个 GPU(例如,device=2 表示 GPU #2)。

· source:指定要检测对象的图像的路径。

默认路径和结果:

· 默认情况下,需要检测的图像应该放在yolov10/ultralytics/assets目录中。

· 检测后,结果将保存在名为yolov10/runs/detect/predictxx的目录中,其中xx代表每次运行的唯一标识符。

CoCo 数据集上的基准测试。

3.3 训练YOLOv10模型

除了推理之外,YOLOv10 还支持在自定义数据集上进行训练。以下是使用命令行训练模型的方法:

要使用 YOLOv10 开始训练,请使用以下命令:

yolo detect train data=coco.yaml model=yolov10s.yaml epochs=100 batch=128 imgsz=640 device=2

以下是命令选项的细分:

· detect train:这指定我们想要执行对象检测的训练。

· data=coco.yaml:指定数据集配置文件,默认数据集(COCO)下载并存放在此../datasets/coco目录下。

· model=yolov10s.yaml:指定要训练的模型的配置文件。

· epochs=100:设置训练迭代次数(epoch)。

· batch=128:指定训练的批次大小,即每个训练步骤处理的图像数量。

· imgsz=640:表示训练期间所有输入图像将调整到的图像大小。

· device=2:指定使用哪个 GPU 进行训练(例如,device=2GPU #2)。

示例解释

假设你已经正确设置了 YOLOv10 环境和数据集,运行上述命令将在指定的GPU上启动训练过程。该模型将以 128 的批大小进行 100 个 epoch 的训练,输入图像的大小将调整为 640x640 像素。

训练 YOLOv10 的步骤

准备数据集

· 确保我们的数据集在 coco.yaml 文件(或我们自己的自定义数据集配置文件)中格式正确且描述正确。

· 数据集配置文件包括训练和验证数据的路径以及类别的数量。

配置模型

· 模型配置文件(例如,yolov10s.yaml)包含我们正在训练的 YOLOv10 变体特定设置,包括架构和初始权重。

运行训练命令

· 使用上面提供的命令开始训练过程。根据我们的硬件能力和训练要求调整 epochs、batch、imgsz 和 device 等参数。

监测和评估

· 在训练期间,如果可用,请通过日志或可视化工具监控进度。

· 训练后,在验证集上评估模型性能以确保其符合我们的期望。

使用Yolo10进行实时在线物体检测的Demo案例:

Python

1

import cv2

from ultralytics import YOLOv10

model = YOLOv10("yolov10s.pt")

cap = cv2.VideoCapture(0)

while True:

ret, frame = cap.read()

if not ret:

break

results = model.predict(frame)

for result in results:

boxes = result.boxes

for box in boxes:

x1,y1,x2,y2 = map(int, box.xyxy[0])

cls = int(box.cls[0])

conf = float(box.conf[0])

cv2.rectangle(frame, (x1, y1), (x2, y2), (255, 0, 0), 2)

cv2.putText(frame, f'{model.names[cls]} {conf:.2f}', (x1, y1 - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 0, 0), 2)

cv2.imshow('YOLOv10', frame)

if cv2.waitKey(1) & 0xFF == ord('q'):

break

cap.release()

cv2.destroyAllWindows()

我们可以构建工作站来运行/训练 AI 系统。为了省钱,我们还可以在网上找到 GPU 等廉价组件。


文章来源于:21IC    原文链接
本站所有转载文章系出于传递更多信息之目的,且明确注明来源,不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。

我们与500+贴片厂合作,完美满足客户的定制需求。为品牌提供定制化的推广方案、专属产品特色页,多渠道推广,SEM/SEO精准营销以及与公众号的联合推广...详细>>

利用葫芦芯平台的卓越技术服务和新产品推广能力,原厂代理能轻松打入消费物联网(IOT)、信息与通信(ICT)、汽车及新能源汽车、工业自动化及工业物联网、装备及功率电子...详细>>

充分利用其强大的电子元器件采购流量,创新性地为这些物料提供了一个全新的窗口。我们的高效数字营销技术,不仅可以助你轻松识别与连接到需求方,更能够极大地提高“闲置物料”的处理能力,通过葫芦芯平台...详细>>

我们的目标很明确:构建一个全方位的半导体产业生态系统。成为一家全球领先的半导体互联网生态公司。目前,我们已成功打造了智能汽车、智能家居、大健康医疗、机器人和材料等五大生态领域。更为重要的是...详细>>

我们深知加工与定制类服务商的价值和重要性,因此,我们倾力为您提供最顶尖的营销资源。在我们的平台上,您可以直接接触到100万的研发工程师和采购工程师,以及10万的活跃客户群体...详细>>

凭借我们强大的专业流量和尖端的互联网数字营销技术,我们承诺为原厂提供免费的产品资料推广服务。无论是最新的资讯、技术动态还是创新产品,都可以通过我们的平台迅速传达给目标客户...详细>>

我们不止于将线索转化为潜在客户。葫芦芯平台致力于形成业务闭环,从引流、宣传到最终销售,全程跟进,确保每一个potential lead都得到妥善处理,从而大幅提高转化率。不仅如此...详细>>