🔍 深度学习新纪元，828 B2B企业节Flexus X实例特惠！思要高效考查YOLOv10模子，罢了精确图像识别？Flexus X以超卓算力，助您猖狂附近大范围数据集学妹超乖，加快模子迭代，让AI智能垂手而得。主办此刻，让翻新不再受限！

🐳本实践演示从0到1部署YOLOv10深度学习AI大模子的环境搭建、模子考查、权重使用，以及各样貌的解读。实践环境为Flexus云就业器X实例 就业器，成就：4vCPUs | 12GiB

本次实践使用的是 Flexus云就业器X实例 就业器。

在性能确立中我选拔了自界说模式，使用了4vCPUs | 12GiB，因为本次要实践的是yolov10的部署与应用，Windows操作系统具有愈加直不雅的用户界面和庞杂的图形解救，我选拔了宇宙镜像Windows Server 2022 数据中心版。以上成就仅供参考，并非硬性条目！

在华为云就业器戒指台中找到咱们刚刚购买的就业器，将弹性公网IP地址复制下来。

快捷键Windows + R 掀开运行窗口，输入mstsc，回车！

输入缱绻机：弹性公网IP地址；用户名：MicrosoftAccount\Administrator，单击“细则”。

然后输入密码，就得胜的贯穿到咱们的就业器了。

要是健忘密码了，不错在操作列中点击重置密码，从头确立咱们的就业器密码。

咱们先来安设python3，掀开官网地址

Download Python | Python.org

在官网下一个大于大于3.8的python安设包（官方建议使用3.9的版块），选拔amd64的exe版块

安设的时候勾选最底下的帮咱们添加环境变量

恭候一霎，出现底下这个界面便是安设得胜了。

CMD掀开戒指台小黑窗，奉行 python -V 和 pip -V 检讨python版块与pip版块，望望咱们的环境变量是否确立得胜。

到官网安设Pytorch

Start Locally | PyTorch

在安设之前望望我方买的就业器是否有GPU，不错使用敕令来检讨

检讨CPU型号：cat /proc/cpuinfo | grep "model name"

检讨GPU型号（Nvidia GPU）：nvidia-smi --query-gpu=gpu_name --format=csv

检讨GPU型号（AMD Radeon GPU）：sudo lshw -C display

因为我这台是只好CPU的，因此在官网中选拔Stable(沉稳版)，系统Linux，用pip来安设吧，然后Compute Platform选拔CPU，然后把Run this Command:中的敕令👇cmd掀开黑窗口奉行。

我这里奉行的是

pip3 install torch torchvision torchaudio

径直奉行可能会很慢，我在背面加上指定镜像源，切换为国内镜像

pip3 install torch torchvision torchaudio -i https://pypi.mirrors.ustc.edu.cn/simple/

出现如下画面即是得胜下载完成。

YOLOv10是YOLO（You Only Look Once）系列的最新版块，由清华大学的参谋东谈主员开荒，旨在进一步提高及时方针检测的成果和准确性。以下是对YOLOv10的详备先容：

之前的YOLO版块在后处理和模子架构方面仍存在不及，相等是依赖于非最大扼制（NMS）进行后处理，这终局了模子的端到端部署并加多了推理蔓延。YOLOv10通过摒除NMS和优化模子组件，旨在处置这些问题，罢了更高的性能和成果。

掀开YOLOV0的GItHub代码库，将源码下载到土产货，解压。

GitHub - THU-MIG/yolov10: YOLOv10: Real-Time End-to-End Object Detection

解压完成后，掀开敕令行窗口，cd到源码的职责目次，奉行底下两个敕令。

//升级pip

python -m pip install --upgrade pip

pip install -r requirements.txt

pip install ultralytics

pip install yolo

pip install -e .

速率慢的话换国内镜像，在敕令背面加上-i 镜像源

以下是常用的国内镜像源

清华大学：https://pypi.tuna.tsinghua.edu.cn/simpl

阿里云：https://mirrors.aliyun.com/pypi/simple/

豆瓣：https://pypi.douban.com/simple/

腾讯云：https://mirrors.cloud.tencent.com/pypi/simple/

华为云：https://mirrors.huaweicloud.com/repository/pypi/simple/

中国科学期间大学：https://pypi.mirrors.ustc.edu.cn/simple/

华中科技大学：http://pypi.hustunique.com/

山东理工大学：http://pypi.sdutlinux.org/

浙江大学：https://mirrors.zju.edu.cn/pypi/web/simple

北京异邦语大学：https://mirrors.bfsu.edu.cn/pypi/web/simple

上海交通大学：https://mirrors.sjtug.sjtu.edu.cn/pypi/web/simple

当以上有关依赖齐安设罢了后，奉行以下考查敕令测试咱们的环境（此武艺可跳过）。

yolo detect train data=coco.yaml model=yolov10s.yaml epochs=5 batch=256 imgsz=640

第一次奉行会自动下载官方提供的考查案例文献，需要恭候较永劫间。

YOLOv10动作及时方针检测模子，表面上解救多种类型的数据集，只消这些数据集适应YOLOv10的输入花式和标注条目。具体来说，YOLOv10不错解救的数据集包括但不限于以下几种类型：

经常来说，咱们需要将标注驱散与原图按比例分派到三个文献夹中

如你有100张标注了的图片，爽直 80 张图片用于考查数据，约 10 张图片用于考证数据，约 10 张图片用于测试数据

train 旅途用于考查模子，val 旅途用于考证模子，test 旅途用于测试模子。在考查和考证期间，模子将在不同的数据集上进行考查和考证，以便评估模子的性能。在测试期间，模子将使用扫数这个词数据集进行测试，以细则其性能目的

需要防备的是：考查过的图有顷常弗成用于考证数据。这是因为在考查期间，模子照旧对这些图片进行了考查，并学会了识别这些图片中的对象和场景类别。

因为数据标注要忽地多量的时代，这里径直拿出我最爱的皮卡丘标注数据

400多张“皮卡丘”原图与标注驱散以及yolov8的考查驱散best.pt权重和ONNX花式文献_yolov8权重转onnx资源-CSDN文库

在这个压缩包中有皮卡丘图片与标注信息，还有yolov8的考查好的权重文献，咱们只留住images和labels用来考查yolov10版块的权重。

因为我比拟懒，能用代码处置的事就用代码，底下咱们使用python对数据集进行立时候派。

修改底下代码中66-67行中的

src_data_folder = '数据集旅途' target_data_folder = '处理后的数据集'

# 器具类

import os

import random

from shutil import copy2

def data_set_split(src_data_folder， target_data_folder， train_scale=0.8， val_scale=0.2):

'''

读取源数据文献夹，生成区别好的文献夹，分为train、val两个文献夹进行

:param src_data_folder: 源文献夹

:param target_data_folder: 方针文献夹

:param train_scale: 考查集比例

:param val_scale: 考证集比例

:return:

'''

print("初始数据集区别")

class_names = os.listdir(src_data_folder)

# 在方针目次下创建文献夹

split_names = ['train'， 'val']

for split_name in split_names:

split_path = os.path.join(target_data_folder，勾引av split_name)

if os.path.isdir(split_path):

pass

else:

os.makedirs(split_path)学妹超乖

# 然后在split_path的目次下创建类别文献夹

for class_name in class_names:

class_split_path = os.path.join(split_path， class_name)

if os.path.isdir(class_split_path):

pass

else:

os.makedirs(class_split_path)

# 按照比例区别数据集，并进行数据图片的复制

# 最初进行分类遍历

for class_name in class_names:

current_class_data_path = os.path.join(src_data_folder， class_name)

current_all_data = os.listdir(current_class_data_path)

current_data_length = len(current_all_data)

current_data_index_list = list(range(current_data_length))

random.shuffle(current_data_index_list)

train_folder = os.path.join(os.path.join(target_data_folder， 'train')， class_name)

val_folder = os.path.join(os.path.join(target_data_folder， 'val')， class_name)

train_stop_flag = current_data_length * train_scale

current_idx = 0

train_num = 0

val_num = 0

for i in current_data_index_list:

src_img_path = os.path.join(current_class_data_path， current_all_data[i])

if current_idx <= train_stop_flag:

copy2(src_img_path， train_folder)

train_num = train_num + 1

else:

copy2(src_img_path， val_folder)

val_num = val_num + 1

current_idx = current_idx + 1

print("*********************************{}*************************************".format(class_name))

print("{}类按照{}：{}的比例区别完成，一共{}张图片".format(class_name， train_scale， val_scale， current_data_length))

print("考查集{}：{}张".format(train_folder， train_num))

print("考证集{}：{}张".format(val_folder， val_num))

if __name__ == '__main__':

src_data_folder = 'datasets/dwsb'

target_data_folder = 'datasets/dwsb2'

data_set_split(src_data_folder， target_data_folder， 0.8， 0.2)

因为在yolo考查中，咱们并不需要将图片和标注驱散分开存放，因此咱们将train和val中的images和labels里的文献齐一谈移出来，然后将这两个文献夹删掉即可。

要防备的是，无论是train照旧val齐需要查验是否包含这样一个classes.txt文献，要是莫得的话需要我方手动补上，因为我这里的素材只好一个皮卡丘方针，况且标注为1了，是以只写了一个1。

参考旅途C:\yolov10-main\ultralytics\cfg\datasets 找到voc.yaml，复制一份，自界说一个名字

对内部的代码进行退换，path 是咱们的刚刚准备好的数据集目次旅途（便是刚刚的data，我改了个名字），train和val便是考查集和考证集的文献夹称号。

names: 标注时的数值和他的又名（这里需要说明照数据集的标注类别来界说，要是用的是我的数据集，径直按照我着实立就好了）

# Ultralytics YOLO 🚀， AGPL-3.0 license

# PASCAL VOC dataset http://host.robots.ox.ac.uk/pascal/VOC by University of Oxford

# Documentation: # Documentation: https://docs.ultralytics.com/datasets/detect/voc/

# Example usage: yolo train data=VOC.yaml

# parent

# ├── ultralytics

# └── datasets

# └── VOC ← downloads here (2.8 GB)

# Train/val/test sets as 1) dir: path/to/imgs， 2) file: path/to/imgs.txt， or 3) list: [path/to/imgs1， path/to/imgs2， ..]

path: C:/yolov10-main/datasets/pkqdata

train: train

val: val

test: # test images (optional)

- images/test2007

# Classes

names:

0: pkq

# Download script/URL (optional) ---------------------------------------------------------------------------------------

download: |

import xml.etree.ElementTree as ET

from tqdm import tqdm

from ultralytics.utils.downloads import download

from pathlib import Path

def convert_label(path， lb_path， year， image_id):

def convert_box(size， box):

dw， dh = 1. / size[0]， 1. / size[1]

x， y， w， h = (box[0] + box[1]) / 2.0 - 1， (box[2] + box[3]) / 2.0 - 1， box[1] - box[0]， box[3] - box[2]

return x * dw， y * dh， w * dw， h * dh

in_file = open(path / f'VOC{year}/Annotations/{image_id}.xml')

out_file = open(lb_path， 'w')

tree = ET.parse(in_file)

root = tree.getroot()

size = root.find('size')

w = int(size.find('width').text)

h = int(size.find('height').text)

names = list(yaml['names'].values()) # names list

for obj in root.iter('object'):

cls = obj.find('name').text

if cls in names and int(obj.find('difficult').text) != 1:

xmlbox = obj.find('bndbox')

bb = convert_box((w， h)， [float(xmlbox.find(x).text) for x in ('xmin'， 'xmax'， 'ymin'， 'ymax')])

cls_id = names.index(cls) # class id

out_file.write(" ".join(str(a) for a in (cls_id， *bb)) + '\n')

# Download

dir = Path(yaml['path']) # dataset root dir

url = 'https://github.com/ultralytics/yolov5/releases/download/v1.0/'

urls = [f'{url}VOCtrainval_06-Nov-2007.zip'， # 446MB， 5012 images

f'{url}VOCtest_06-Nov-2007.zip'， # 438MB， 4953 images

f'{url}VOCtrainval_11-May-2012.zip'] # 1.95GB， 17126 images

download(urls， dir=dir / 'images'， curl=True， threads=3， exist_ok=True) # download and unzip over existing paths (required)

# Convert

path = dir / 'images/VOCdevkit'

for year， image_set in ('2012'， 'train')， ('2012'， 'val')， ('2007'， 'train')， ('2007'， 'val')， ('2007'， 'test'):

imgs_path = dir / 'images' / f'{image_set}{year}'

lbs_path = dir / 'labels' / f'{image_set}{year}'

imgs_path.mkdir(exist_ok=True， parents=True)

lbs_path.mkdir(exist_ok=True， parents=True)

with open(path / f'VOC{year}/ImageSets/Main/{image_set}.txt') as f:

image_ids = f.read().strip().split()

for id in tqdm(image_ids， desc=f'{image_set}{year}'):

f = path / f'VOC{year}/JPEGImages/{id}.jpg' # old img path

lb_path = (lbs_path / f.name).with_suffix('.txt') # new label path

f.rename(imgs_path / f.name) # move image

convert_label(path， lb_path， year， id) # convert labels to YOLO format

奉行底下敕令初始考查咱们的模子

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

对于敕令的内容，咱们来进行解读：

奉行完敕令后出现以下窗口意味着正在考查中，接下来便是漫长的恭候~~~

掀开任务不竭器看一下性能，CPU的应用率照旧很可不雅的，4vCPUs | 12GiB的成就考查yolov10s的模子绰绰过剩！

考查完成后

weights下有两个.pt文献，这是咱们的考查驱散权重文献

因此部署的话使用best，下次赓续追加考查就用last

除了权重文献，咱们发现还有一些考查驱散可视化分析图，底下咱们对其中几张进行检讨！

为了梗概评价不同算法的优劣，在Precision和Recall的基础上建议了F1值的办法，来对Precision和Recall进行举座评价。F1的界说如下：

F1值的取值范围是0到1，其中1暗示最好性能（即精确率和调回率齐为1），而0暗示最差性能（即精确率和调回率齐为0）由上图可见模子在均衡精确率和调回率方面的推崇齐比拟理思。

在方针检测中，耗损函数饰演着至关紧要的变装。它的主要作用是测度模子展望驱散与真正标签之间的互异或罪戾，并通过最小化这个互异来优化模子的参数，从而提高模子的展望准确性。

IoU系列耗损函数简介

使用yolo predict来进行识别，model便是咱们刚刚考查好的模子，source是你要拿来识别的图片文献夹旅途。同期背面不错确立一些参数来退换你思要的识别驱散。

yolo predict model=模子旅途 source= 图片旅途 conf=0.5 识别阈值

更多其他参数可参考下表 ：

Key

Value

Description

source

'ultralytics/assets'

source directory for images or videos

conf

0.25

object confidence threshold for detection

iou

0.7

intersection over union (IoU) threshold for NMS

imgsz

640

image size as scalar or (h， w) list， i.e. (640， 480)

half

False

use half precision (FP16)

device

None

device to run on， i.e. cuda device=0/1/2/3 or device=cpu

show

False

show results if possible

save

False

save images with results

save_txt

False

save results as .txt file

save_conf

False

save results with confidence scores

save_crop

False

save cropped images with results

hide_labels

False

hide labels

hide_conf

False

hide confidence scores

max_det

300

maximum number of detections per image

vid_stride

False

video frame-rate stride

line_width

None

The line width of the bounding boxes. If None， it is scaled to the image size.

visualize

False

visualize model features

augment

False

apply image augmentation to prediction sources

agnostic_nms

False

class-agnostic NMS

retina_masks

False

use high-resolution segmentation masks

classes

None

filter results by class， i.e. class=0， or class=[0，2，3]

boxes

True

Show boxes in segmentation predictions

奉行完识别敕令后，可在输出信息中看到识别驱散文献所在位置，detect\predict（数字会自动叠加）

轻易掀开一张图片，找出识别前的图片对比一下，皮卡丘照旧被框出来了，并打上咱们确立的pkq标签。

至此~咱们就完成了YOLOv10方针检测模子的考查与识别职责了！扫数这个词实践操作下来学妹超乖，Flexus云就业器X实例的推崇齐长短常出色的！