当前位置： 首页 > news >正文

如何查做的网站排名,wordpress 中文字体,黄骅招聘信息最新2022,建设网站要学编程吗导读 本文主要介绍如何使用YOLOv10在自定义数据集训练实现车牌检测 (数据集训练预测 保姆级教程)。
YOLOv10简介 YOLOv10是清华大学研究人员在Ultralytics Python包的基础上#xff0c;引入了一种新的实时目标检测方法#xff0c;解决了YOLO以前版本在后处理和模型架构方面…导读 本文主要介绍如何使用YOLOv10在自定义数据集训练实现车牌检测 (数据集训练预测 保姆级教程)。   YOLOv10简介 YOLOv10是清华大学研究人员在Ultralytics Python包的基础上引入了一种新的实时目标检测方法解决了YOLO以前版本在后处理和模型架构方面的不足。通过消除非最大抑制NMS和优化各种模型组件YOLOv10在降低计算像素数的同时实现了相当的性能。大量实验证明YOLOv10在多个模型上实现了卓越的精度-延迟权衡。 概述 实时目标检测旨在优先延迟准确的预测图像中的物体类别和位置。YOLO 系列在性能和效率之间取得了平衡因此一直处于较低水平。然而对 NMS 的依赖和架构的低效阻碍了性能的实现。YOLOv10 通过为无 NMS 训练引入了一致的双重分配并以提高准确性为导向的核心模型设计策略解决了答案。 网络架构 YOLOv10 的结构建立在以前YOLO模型的基础上同时引入了几项关键创新。模型架构由以下部分组成 主干网 YOLOv10中的主干网负责特征提取它使用了增强版的CSPNet跨阶段部分网络以改善梯度流并减少计算能力。 颈部颈部设计用于汇聚不同的尺度成果并将其传递到头部。它包括PAN路径聚合网络层可实现有效的多尺度特征融合。 一对多头在训练过程中为每个对象生成多个预测以提供丰富的监督信号并提高学习准确性。 一头在推理过程中选择一个对象无需NMS从而减少并提高结果质量。
主要功能 无NMS 模式利用一致的配置来消除对NMS 的需求从而减少错误判断。 整体模型设计从业人员绩效评估和绩效评价模块包括轻量级数据分析、通道去耦和质量引导设计。 增强的模型功能应对大数据和部分自觉模块在不增加大量计算成本的情况下提高性能。
模型支持 YOLOv10有多种模型可满足不同的应用需求 YOLOv10-N用于资源极其有限的环境的纳米版本。 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超大型版本可实现高精度和性能。
特性 在准确性和效率方面YOLOv10 优于YOLO 以前的版本和其他模型。例如在 COCO 数据集上YOLOv10-S 的速度是 RT-DETR-R18 的 1.8 倍而 YOLOv10-B 与 YOLOv9-C 相比在性能相同的条件下延迟浏览器打开 46%参数浏览器打开 25%。下图是使用 TensorRT FP16 在 T4 GPU 上的测试结果 实验和结果 YOLOv10 在 COCO 等标准基准上进行了广泛测试证明了卓越的性能和准确性。与先前的版本和其他当代版本相比YOLOv10 在延迟和准确性方面都有显著提高。 YOLOv10自定义数据集训练 【1】准备数据集。数据集标注使用LabelImg具体使用和标注可参考下面文章 实战 | YOLOv8自定义数据集训练实现手势识别 (标注训练预测 保姆级教程) 这里直接给出数据集大家可以自行下载 https://github.com/AarohiSingla/YOLOv10-Custom-Object-Detection/tree/main/custom_dataset/dataset 数据集包含300张图片样本训练集210张验证集60张测试集30张。 类别只有1类所以序号都为0。 【2】配置训练环境。 ① 下载yoloV10项目 git clone https://github.com/THU-MIG/yolov10.git ② 解压后切换到yoloV10目录下安装依赖项 cd yolov10 pip install . ③ 下载预训练模型 import osimport urllib.request

Create a directory for the weights in the current working directoryweights_dir os.path.join(os.getcwd(), weights)os.makedirs(weights_dir, exist_okTrue)

URLs of the weight filesurls [ https://github.com/jameslahm/yolov10/releases/download/v1.0/yolov10n.pt, https://github.com/jameslahm/yolov10/releases/download/v1.0/yolov10s.pt, https://github.com/jameslahm/yolov10/releases/download/v1.0/yolov10m.pt, https://github.com/jameslahm/yolov10/releases/download/v1.0/yolov10b.pt, https://github.com/jameslahm/yolov10/releases/download/v1.0/yolov10x.pt, https://github.com/jameslahm/yolov10/releases/download/v1.0/yolov10l.pt]

Download each filefor url in urls: file_name os.path.join(weights_dir, os.path.basename(url)) urllib.request.urlretrieve(url, file_name) print(fDownloaded {file_name}) 【3】模型训练 yolo taskdetect modetrain epochs100 batch16 plotsTrue modelweights/yolov10n.pt datacustom_data.yaml custom_data.yaml配置如下 【4】 模型推理 图片推理 yolo taskdetect modepredict conf0.25 saveTrue modelruns/detect/train/weights/best.pt sourcetest_images_1/veh2.jpg

​​​​​​​ from ultralytics import YOLOv10import supervision as svimport cv2 classes {0: licence} model YOLOv10(runs/detect/train/weights/best.pt)image cv2.imread(test_images_1/veh2.jpg) results model(sourceimage, conf0.25, verboseFalse)[0]detections sv.Detections.from_ultralytics(results)box_annotator sv.BoxAnnotator() labels [ f{classes[class_id]} {confidence:.2f} for class_id, confidence in zip(detections.class_id, detections.confidence)]annotated_image box_annotator.annotate( image.copy(), detectionsdetections, labelslabels) cv2.imshow(result, annotated_image)cv2.waitKey()cv2.destroyAllWindows() 视频推理 yolo taskdetect modepredict conf0.25 saveTrue modelruns/detect/train/weights/best.pt sourceb.mp4 from ultralytics import YOLOv10import supervision as svimport cv2 classes {0: licence} model YOLOv10(runs/detect/train/weights/best.pt) def predict_and_detect(image): results model(sourceimage, conf0.25, verboseFalse)[0] detections sv.Detections.from_ultralytics(results) box_annotator sv.BoxAnnotator()labels [ f{classes[class_id]} {confidence:.2f} for class_id, confidence in zip(detections.class_id, detections.confidence) ] annotated_image box_annotator.annotate( image.copy(), detectionsdetections, labelslabels ) return annotated_image def create_video_writer(video_cap, output_filename): # grab the width, height, and fps of the frames in the video stream. frame_width int(video_cap.get(cv2.CAP_PROP_FRAME_WIDTH)) frame_height int(video_cap.get(cv2.CAP_PROP_FRAME_HEIGHT)) fps int(video_cap.get(cv2.CAP_PROP_FPS)) # initialize the FourCC and a video writer object fourcc cv2.VideoWriter_fourcc(*MP4V) writer cv2.VideoWriter(output_filename, fourcc, fps, (frame_width, frame_height)) return writer video_path b.mp4cap cv2.VideoCapture(video_path) output_filename out.mp4writer create_video_writer(cap, output_filename) while True: success, img cap.read() if not success: break frame predict_and_detect(img) writer.write(frame) cv2.imshow(frame, frame) if cv2.waitKey(1)0xFF 27: #按下Esc键退出 break cap.release()writer.release() —THE END—