实战｜YOLOv10 自定义目标检测

引言

YOLOv10^[1]^ 概述和使用自定义数据训练模型

概述

由清华大学的研究团队基于 Ultralytics Python 包研发的 YOLOv10，通过优化模型结构并去除非极大值抑制（NMS）环节，提出了一种创新的实时目标检测技术。这些改进不仅实现了行业领先的检测性能，还降低了对计算资源的需求。大量实验结果证明，YOLOv10 在不同规模的模型上都能提供卓越的准确率和延迟之间的平衡。

架构

Backbone：在 YOLOv10 中，主干网络负责提取特征，它采用了改进版的 CSPNet（跨阶段部分网络），这一改进有助于优化梯度传播，并降低计算过程中的重复性。
Neck：连接层的作用是整合不同尺度上的特征，并将它们传递给网络的输出部分。它内部集成了 PAN（路径聚合网络）层，以实现多尺度特征的有效融合。
One-to-Many Head：在训练过程中，对于每个目标对象生成多个预测结果，这样做可以提供更多的监督信号，从而提升模型的学习精度。
One-to-One Head：在推理过程中，对于每个目标对象生成单一的最佳预测结果，这样做可以省去 NMS（非极大值抑制）的步骤，减少处理时间，提高整体的效率。

模型变体和性能

YOLOv10 提供了六种不同规模的模型：

YOLOv10-N：纳米版，专为资源极其有限的场合设计。
YOLOv10-S：小型版，兼顾速度与准确性。
YOLOv10-M：中型版，适用于一般用途。
YOLOv10-B：平衡版，通过增加模型宽度来提升准确性。
YOLOv10-L：大型版，牺牲一定的计算资源以换取更高的准确性。
YOLOv10-X：超大型版，追求极致的准确性和性能表现。

性能比较

让我们看一下不同模型在延迟和准确性方面的比较，这些模型是在 COCO 等标准基准上进行测试的。
img

显然，YOLOv10 是实时物体检测应用的尖端技术，能够以更少的参数提供更高的精度和速度性能。

实战训练

首先，克隆官方 YOLOv10 GitHub 存储库以下载必要的 yolov10n 模型。

pip install -q git+https://github.com/THU-MIG/yolov10.git

wget -P -q https://github.com/jameslahm/yolov10/releases/download/v1.0/yolov10n.pt

您可以在 Roboflow Universe 平台上开展任何自定义项目，自行构建数据集，还可以利用 Intel 赞助的 RF100 数据集。在本文中，我将采用一个专为检测 X 射线图像中的可疑物品而设计好的数据集。

通过 Roboflow API，您可以下载以 YOLOv8 格式封装的模型。

!pip install -q roboflow
from roboflow import Roboflow
rf = Roboflow(api_key="your-api-key")
project = rf.workspace("vladutc").project("x-ray-baggage")
version = project.version(3)
dataset = version.download("yolov8")

指定参数和文件路径，然后开始模型训练。

!yolo task=detect mode=train epochs=25 batch=32 plots=True \
model='/content/-q/yolov10n.pt' \
data='/content/X-Ray-Baggage-3/data.yaml'

示例 data.yaml 文件

names:
- Gun
- Knife
- Pliers
- Scissors
- Wrench

nc: 5

roboflow:
  license: CC BY 4.0
  project: x-ray-baggage
  url: https://universe.roboflow.com/vladutc/x-ray-baggage/dataset/3
  version: 3
  workspace: vladutc

test: /content/X-Ray-Baggage-3/test/images
train: /content/X-Ray-Baggage-3/train/images
val: /content/X-Ray-Baggage-3/valid/images

让我们看看结果。

Image(filename='/content/runs/detect/train/results.png', width=1000)

让我们预测测试数据并在 5x2 网格中显示结果。

from ultralytics import YOLOv10

model_path = '/content/runs/detect/train/weights/best.pt'
model = YOLOv10(model_path)
results = model(source='/content/X-Ray-Baggage-3/test/images', conf=0.25,save=True)

import glob
import matplotlib.pyplot as plt
import matplotlib.image as mpimg

images = glob.glob('/content/runs/detect/predict/*.jpg')

images_to_display = images[:10]

fig, axes = plt.subplots(2, 5, figsize=(20, 10))

for i, ax in enumerate(axes.flat):
    if i < len(images_to_display):
        img = mpimg.imread(images_to_display[i])
        ax.imshow(img)
        ax.axis('off')  
    else:
        ax.axis('off')  

plt.tight_layout()
plt.show()

Reference [1]

Source: https://medium.com/@batuhansenerr/yolov10-custom-object-detection-bd7298ddbfd3

本文由mdnice多平台发布