前言

YOLOv10 是清华大学研究人员在 UltralyticsPython 清华大学的研究人员在 YOLOv10软件包的基础上，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 在显著降低计算开销的同时实现了最先进的性能。并用大量实验证明，YOLOv10 在多个模型尺度上实现了卓越的精度-延迟权衡。

1.模型获取

官网连接：

https://github.com/THU-MIG/yolov10

也可以文末公众号内回复“YOLOv10”，获取全部代码、论文以及初始权重文件。

2.YOLOv10亮点

• 无 NMS 设计：利用一致的双重分配来消除对 NMS 的需求，从而减少推理延迟。

• 整体模型设计：从效率和准确性的角度全面优化各种组件，包括轻量级分类头、空间通道去耦向下采样和等级引导块设计。

• 增强的模型功能：纳入大核卷积和部分自注意模块，在不增加大量计算成本的情况下提高性能。

3.模型结构

YOLOv10与v8结构相比，从结构上看添加了PSA和在C2f结构中添加了CBI结构，去掉了NMS。

4.模型训练、验证、推理

需要导入YOLOv10模块，不是YOLO模块

from ultralytics import YOLOv10# 加载模型
model = YOLOv10("yolov10n.yaml")  # 从头开始构建新模型
model = YOLOv10("weights/yolov10n.pt")  # 加载预训练模型（建议用于训练）
if __name__ == '__main__':model.train(data="data_laji.yaml", imgsz=416, batch=32, epochs=10, workers=0)  # 训练模型

from ultralytics import YOLOv10def main():# 加载模型，test就是对测试集进行测试，删去就是对验证集进行测试model = YOLOv10(r"runs/detect/train/weights/best.pt")model.val(data="data_APSPC.yaml", split='test', imgsz=416, batch=16, workers=0)  #模型验证
if __name__ == "__main__":main()

from ultralytics import YOLOv10
# 检测
model = YOLOv10(r"runs/detect/train/weights/best.pt")
results = model('datasets/images/val', save=True)

 

 

👇👇👇免费领取方式

在下方公众号内回复关键词：YOLOv10

最后：

如果你想要进一步了解更多的相关知识，可以关注下面公众号联系~会不定期发布相关设计内容包括但不限于如下内容:信号处理、通信仿真、算法设计、matlab appdesigner，gui设计、simulink仿真......希望能帮到你！