目录
[1. 写在前面](#1. 写在前面)
[2. 值得关注的点](#2. 值得关注的点)
[3. 训练自己的数据集](#3. 训练自己的数据集)
[4. 阅读代码的小建议](#4. 阅读代码的小建议)
1. 写在前面
很多人YOLOv9还没有完全研究透，YOLOv10出来了。
惊不惊喜，意不意外！
据论文里提到，YOLOv10就是为了加速推理，在保证精度的同时，降低参数量，减小计算量。就冲这，还没有研究YOLOv9的同学们，直接跳过吧。
先说一句，如果大家不想动手，请不要客气，直接找我拿改动过的代码。
2. 值得关注的点
论文提到，YOLOv10的研究团队为 YOLO 提出了整体效率 - 准确率驱动的模型设计策略，从效率和准确率两个角度全面优化 YOLO 的各个组件，大大降低了计算开销并增强了模型能力。研究过ELAN的同学有没有似曾相识的感觉，通过预设某种策略来设计网络，听上去和理解上去都很玄学，但是，对于我们这种本着用好就可以的同学，有用就是硬道理。
此外，通过大量实验表明，YOLOv10 在各种模型规模上都实现了 SOTA 性能和效率。例如，YOLOv10-S 在 COCO 上的类似 AP 下比 RT-DETR-R18 快 1.8 倍，同时参数数量和 FLOP 大幅减少。与 YOLOv9-C 相比，在性能相同的情况下，YOLOv10-B 的延迟减少了 46%，参数减少了 25%。再一次划重点，可以先跨过YOLOv9，直接开搞YOLOv10。
通过消除NMS 的依赖性，通过利用空间通道解耦下采样 和排序指导的模块设计优化模型架构设计，YOLOv10在实时端到端目标检测领域具有重要意义。
3. 训练自己的数据集
（1）构造训练集
YOLOv10所需要的训练数据集制式和YOLOv8、YOLOv9都是一样的，因此只要构建过YOLOv8、YOLOv9训练数据集的同学应该不会感觉到难。
如果有对数据集制作有疑问的同学，可以私信我。
（2）做一些微小的改动
YOLOv10的训练工作在开头的时候有些难，尤其是如果大家在README.md文件中看到如下内容的时候。
不要担心，你只需要改动几个文件的几行代码，就可以以更轻松、更优雅的姿势开启训练。
第一步，修改配置文件
修改ultralytics\cfg\default.yaml文件，设置好model和data，如下所示。
第二步，添加训练入口
在ultralytics\models\yolov10\train.py文件中添加训练入口，具体的就是构建一个YOLOv10DetectionTrainer，然后开始训练。具体代码参考如下。
请注意，以下图中有两点需要注意。
M0：添加路径；
M1：添加训练入口；
第三步，开始训练吧
进入./yolov10-main/ultralytics/models/yolov10路径。
执行python3 train.py开始训练吧。
4. 阅读代码的小建议
YOLOv10和YOLOv8的代码结构略有相似。
我们将整个代码结构划分为三条线，分别是Trainer、Model和YOLO。其实Model线和YOLO线是一样的，都是构建模型相关的东西。Trainer则是构建训练相关的内容。
Trainer的继承关系
BaseTrainer - > DetectionTrainer -> YOLOv10DetectionTrainer
通过实例化YOLOv10DetectionTrainer，来构建整体的训练脉络。
Model的继承关系
task.py: BaseModel(nn.Module)
task.py: DetectionModel(BaseModel)
task.py: YOLOv10DetectionModel(DetectionModel)
YOLO的继承关系
engine/model.py: class Model(nn.Module)
yolo/model.py: class YOLO(Model)
yolov10/model.py: class YOLOv10(YOLO)
在YOLOv10DetectionTrainer中重载了get_model接口，用来实例化一个YOLOv10DetectionModel对象，开启训练。