YOLOv10实时端到端目标检测

文章目录


前言

  距离上次写YOLOv5已经过去了两年,正好最近用YOLOv10重构了项目,总结下YOLOv10。

YOLOv10真正实时端到端目标检测,那么什么是端到端?

  端到端目标检测是一种从原始数据输入到最终结果输出的直接过程,无需分步骤处理或人工干预。在YOLOv10中移除非最大抑制(NMS),从而减少了推理延迟。


一、非极值大抑制(NMS)

  非最大值抑制(NMS)是一种在目标检测中广泛应用的算法,主要用于去除冗余的检测框,只保留最有可能包含目标物体的框。

    在目标检测任务中,通常会有多个候选框同时检测到同一个目标,这些框之间会有不同程度的重叠。为了从这些重叠的框中筛选出最佳检测结果,NMS算法被提出和应用。

二、NMS算法的具体原理和步骤

  1.置信度排序:根据每个边界框的置信度进行降序排列,置信度最高的边界框被认为是最有可能正确检测到目标的。

  2.选择边界框:从排序后的列表中选择置信度最高的边界框,标记为已选,并将其添加到最终的检测结果列表中。

  3.计算交并比:对于剩余的每个边界框,计算它与已选边界框的交并比(IOU),即交集与并集的比值。

  4.剔除低置信度框:如果某个边界框与已选框的IOU超过了预设的阈值(例如0.5或0.7),则认为这两个框表示的是同一个目标,于是根据置信度较低的原则,剔除这个低置信度的边界框。

  5.重复选择过程:继续选择剩余边界框中置信度最高的,重复计算IOU和剔除过程,直到所有边界框都被检查过。

  6.结束,选出最优框

三、YOLOV10创新点

  YOLOv10通过引入双重标签分配策略和一致匹配度量,成功去除了非最大抑制(NMS)机制。

  双重标签分配策略:其中包括一对多和一对一两种分配模式。这种策略不仅提供了丰富的监督信号,确保了训练过程中的准确性,而且避免了在推理阶段使用NMS,从而提高了整体的效率。这一创新的方法有效地平衡了训练与推理之间的需求。

  一致匹配度量:该策略确保了在训练过程中,不同的预测头产生的预测结果能够保持一致性。这种一致性的优化进一步保证了在去除NMS的情况下,模型仍然能够维持高性能和高准确性。

四、YOLOv10使用教程

  YOLOv10进行了高度封装,使用步骤也很简单,我常规的使用方法是通过OpenCV读取rtsp流进行检测

python 复制代码
import cv2
from ultralytics import YOLOv10
detect = YOLOv10("yolov10s.pt")

if __name__ == '__main__':
    cap = cv2.VideoCapture(rtsp)
    while cap.isOpened():
        success, frame = cap.read()
        if success:
            # conf指定阈值 classes指定检测类目
            results = detect.predict(frame, conf=0.5, classes=[0])
            # 返回json格式的数据,需要不同的格式具体可以查看源码
            print(results[0].tosjon())
        else:
            cap = cv2.VideoCapture(rtsp)

YOLOv10 提供了多种模型:

模型 说明
YOLOv10-N 用于资源极其有限环境的纳米版本
YOLOv10-S 兼顾速度和精度的小型版本
YOLOv10-M 通用中型版本
YOLOv10-B 平衡型,宽度增加,精度更高
YOLOv10-L 大型版本,精度更高,但计算资源增加
YOLOv10-X 超大型版本可实现最高精度和性能

五、官方github地址

php 复制代码
https://github.com/THU-MIG/yolov10
相关推荐
Evand J2 天前
【MATLAB例程】基于IMM-CKF的AOA+测距融合的二维移动目标跟踪定位
开发语言·matlab·目标跟踪
jay神3 天前
基于 YOLOv8 的传送带异物检测系统(Web 版)
前端·人工智能·深度学习·yolo·计算机视觉·计算机毕业设计
jay神6 天前
基于 YOLOv8 的手势识别系统(Web 版)
前端·人工智能·python·深度学习·yolo·计算机视觉·计算机毕业设计
鱼听禅6 天前
Ubuntu安装YOLOv8进行菌落识别训练
linux·python·yolo·ubuntu
BYSJMG6 天前
计算机毕业设计选题推荐:【基于深度学习的车辆损坏严重程度评估方法研究】ResNet50 图像分类
人工智能·深度学习·目标检测·机器学习·计算机视觉·分类·课程设计
BYSJMG6 天前
计算机毕业设计选题推荐|【基于深度学习的电梯电动车违规进入检测研究】YOLO26m+可视化大屏
人工智能·深度学习·神经网络·目标检测·机器学习·计算机视觉·课程设计
jay神8 天前
基于深度学习的交通流量预测系统(Web 版)
前端·人工智能·深度学习·yolo·计算机毕业设计
数据集_深度学习8 天前
果园红绿苹果目标检测数据集介绍和论文参考
人工智能·目标检测
带电的小王9 天前
YOLO27:官方预览页放出全部规格,60.5 mAP 破 YOLO 纪录,但权重还没发布
yolo
jay神9 天前
基于 YOLOv8 的轴承缺陷检测(Web 版)
前端·人工智能·yolo