YOLO V10简单使用

一.环境安装

1、下载官方源码

官方GitHub地址：https://github.com/THU-MIG/yolov10 点击跳转

2. 配置conda环境

1. 在conda创建python3.9环境

conda create -n yolov10 python=3.9

2. 激活切换到创建的python3.9环境

conda activate yolov10

3. 安装YOLOv10依赖

• 切换到yolov10源码根目录下，安装依赖
• 注意：会自动根据你是否有GPU自动选择pytorch版本进行按照，这里不需要自己去选择pytorch和cuda按照，非常良心

pip install -r requirements.txt

如果执行效果缓慢可以试试加速镜像

pip install -r requirements.txt -i https://pypi.doubanio.com/simple

• 执行命令

pip install -e .

二、数据图片准备

这里以视频为例，自选任意视频，使用如下代码将视频抽帧处理

import cv2

video = cv2.VideoCapture("./001.mp4")
num=0#计数器
save_setp=30#间隔帧数
while True:
    ret,frame=video.read()
    if not ret:
        break
    num+=1
    if num%save_setp==0:
        cv2.imwrite("./img/"+str(num)+".jpg",frame)

三、图片标注

1. 环境安装

环境安装：pip install labelimg
启动：labelimg

2.基础设置

• 设置打开文件夹和保存文件夹
  
• 设置自动保存：工具栏 view-auto save mode
• 切换模式
  
• 点击save保存修改

3.开始标注

1. 双击右侧FileList内的图片打开后，右键create RectBox开始标注，在图像上拖拽画出矩形框，在弹出的对话框里输入标签名称（以Ly为例）或选择，然后点击 OK
   
   
2. 相同的步骤对目标物体进行标注，使用过的标签再下一次可直接选择不必重新输入；已经标注的框可在右侧看到，可以在图像中进行二次拖拽调整
3. 然后点击 Next Image，对下一个图片进行标注
   
4. 然后会在此前设置好的保存目录中得到标注信息
   注意：yolov10标注完成后的数据文件中，每一行的数据格式为： 类型 x中心坐标 y中心坐标 宽度 高度
    

4.make senc数据集标注工具

• 地址：https://www.makesense.ai/
• 辅助标注:
  1. pip instll tensorflowjs==2.8.5
  2. YOLOv5模型导出tfjs
  3. make scene上传模型

5.roboflow公开数据集

• https://public.roboflow.com/object-detection
• https://universe.roboflow.com/

四、训练数据准备

1.数据集准备

准备文件夹

• images：存放图片
  1. train:训练集图片
  2. val: 验证集图片
• labels:存放标签
  1.train:训练集标签文件，要与训练集图片名称一一对应
  2.val：验证集标签文件，要与验证集图片名称一一对应
  3.classes.txt(可以没有)：这个文件是标注的类型文件

此前打标签时导入的文件夹就是训练集，输出结果就是验证集，无非是把目录结构按上述更改一下
一般来说，训练集与验证集的数据比例是8:2,即如果又100张图片，那么80张作为训练集，20张作为验证集

2.文件准备

1. 准备图片文件夹：在yolov10源码目录下，新建datasets文件夹，将刚才准备好的图片数据复制进该文件夹，bvn为项目名
   
2. 从ultralytics/cfg/datasets文件夹下随便复制一个yaml配置文件至ultralytics-main根目录下
   
3. 改写配置文件
   
   1. path为从datasets目录开始算的根文件夹名称
   2. train与val时训练集与验证集的位置
   3. names这里就是分类标签，可以按照标注后生成的calsses.txt文件填下

五、启动训练

1. 命令行启动训练

yolo detect train data=coco.yaml model=yolov10n/s/m/b/l/x.yaml epochs=500 batch=256 imgsz=640 device=0,1,2,3,4,5,6,7

2. 代码启动训练

在源码目录下新建xx.py文件

from ultralytics import YOLOv10 #这里需要注意，这里导入的是YOLOv10
# 这个训练权重可以根据自己情况更换不同的权重文件，在后续权重文件章节会详细解释
# 关于这个yolov10n.pt文件从哪来，亦可以在后续权重文件章节找到下载路径
model = YOLOv10("yolov10n.pt")

#这里启动训练，data为刚才的yaml文件路径，workers为0，表示单线程训练，windows系统中workers不为0可能会报错
model.train(data='yolov10-bvn.yaml',workers=0, epochs=50, batch=-1)

在启动训练时候可能会报如下错误：

1. ModuleNotFoundError: No module named ‘huggingface_hub’
   
   解决办法：

pip install huggingface_hub

2. Note dataset download directory is ‘G:\yolo\yolov10\datasets’. You can update this in ‘C:\Users\11839\AppData\Roaming\yolov10\settings.yaml’
   
   解决办法：找到所提示的yaml文件，这里是’C:\Users\11839\AppData\Roaming\yolov10\settings.yaml’，使用记事本打开将文件中的datasets_dir参数值删除并保存即可
   

3. 模型训练结果

模型训练结果会保存至runs目录下


::: tip
模型存储在weights文件夹下
best.pt：是训练出的最好的模型
last.pt：是最后面的模型，如果需要继续训练需要使用
:::

4.模型测试：

yolo detect predict model=runs/detect/train/weights/best.pt source=001.mp4 show=True

001.mp4是抽帧的视频

5.注意事项

其中AppData是再当前用户目录下

原文地址：https://blog.csdn.net/shgg2917/article/details/142470843

免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！