【详细教程】如何使用YOLOv10进行图片与视频的目标检测

《博主简介》

小伙伴们好，我是阿旭。专注于人工智能、AIGC、python、计算机视觉相关分享研究。
✌更多学习资源，可关注公-仲-hao:【阿旭算法与机器学习】，共同学习交流~
👍感谢小伙伴们点赞、关注！

《------往期经典推荐------》

一、AI应用软件开发实战专栏【链接】

项目名称项目名称
1.【人脸识别与管理系统开发】2.【车牌识别与自动收费管理系统开发】
3.【手势识别系统开发】4.【人脸面部活体检测系统开发】
5.【图片风格快速迁移软件开发】6.【人脸表表情识别系统】
7.【YOLOv8多目标识别与自动标注软件开发】8.【基于YOLOv8深度学习的行人跌倒检测系统】
9.【基于YOLOv8深度学习的PCB板缺陷检测系统】10.【基于YOLOv8深度学习的生活垃圾分类目标检测系统】
11.【基于YOLOv8深度学习的安全帽目标检测系统】12.【基于YOLOv8深度学习的120种犬类检测与识别系统】
13.【基于YOLOv8深度学习的路面坑洞检测系统】14.【基于YOLOv8深度学习的火焰烟雾检测系统】
15.【基于YOLOv8深度学习的钢材表面缺陷检测系统】16.【基于YOLOv8深度学习的舰船目标分类检测系统】
17.【基于YOLOv8深度学习的西红柿成熟度检测系统】18.【基于YOLOv8深度学习的血细胞检测与计数系统】
19.【基于YOLOv8深度学习的吸烟/抽烟行为检测系统】20.【基于YOLOv8深度学习的水稻害虫检测与识别系统】
21.【基于YOLOv8深度学习的高精度车辆行人检测与计数系统】22.【基于YOLOv8深度学习的路面标志线检测与识别系统】
23.【基于YOLOv8深度学习的智能小麦害虫检测识别系统】24.【基于YOLOv8深度学习的智能玉米害虫检测识别系统】
25.【基于YOLOv8深度学习的200种鸟类智能检测与识别系统】26.【基于YOLOv8深度学习的45种交通标志智能检测与识别系统】
27.【基于YOLOv8深度学习的人脸面部表情识别系统】28.【基于YOLOv8深度学习的苹果叶片病害智能诊断系统】
29.【基于YOLOv8深度学习的智能肺炎诊断系统】30.【基于YOLOv8深度学习的葡萄簇目标检测系统】
31.【基于YOLOv8深度学习的100种中草药智能识别系统】32.【基于YOLOv8深度学习的102种花卉智能识别系统】
33.【基于YOLOv8深度学习的100种蝴蝶智能识别系统】34.【基于YOLOv8深度学习的水稻叶片病害智能诊断系统】
35.【基于YOLOv8与ByteTrack的车辆行人多目标检测与追踪系统】36.【基于YOLOv8深度学习的智能草莓病害检测与分割系统】
37.【基于YOLOv8深度学习的复杂场景下船舶目标检测系统】38.【基于YOLOv8深度学习的农作物幼苗与杂草检测系统】
39.【基于YOLOv8深度学习的智能道路裂缝检测与分析系统】40.【基于YOLOv8深度学习的葡萄病害智能诊断与防治系统】
41.【基于YOLOv8深度学习的遥感地理空间物体检测系统】42.【基于YOLOv8深度学习的无人机视角地面物体检测系统】
43.【基于YOLOv8深度学习的木薯病害智能诊断与防治系统】44.【基于YOLOv8深度学习的野外火焰烟雾检测系统】
45.【基于YOLOv8深度学习的脑肿瘤智能检测系统】46.【基于YOLOv8深度学习的玉米叶片病害智能诊断与防治系统】
47.【基于YOLOv8深度学习的橙子病害智能诊断与防治系统】48.【车辆检测追踪与流量计数系统】
49.【行人检测追踪与双向流量计数系统】50.【基于YOLOv8深度学习的反光衣检测与预警系统】
51.【危险区域人员闯入检测与报警系统】52.【高压输电线绝缘子缺陷智能检测系统】

二、机器学习实战专栏【链接】，已更新31期，欢迎关注，持续更新中~~
三、深度学习【Pytorch】专栏【链接】
四、【Stable Diffusion绘画系列】专栏【链接】
五、YOLOv8改进专栏【链接】，持续更新中~~
六、YOLO性能对比专栏【链接】，持续更新中~

《------正文------》

简介

在这里插入图片描述

继 YOLOv8 和 YOLOv9 之后，YOLOv10也相继推出。这一突破性的迭代有望在目标检测领域实现重大飞跃。让我们深入研究细节，了解 YOLOv10 如何赋能计算机视觉的未来。

YOLOv10 擅长精确定位和识别图像和视频中的物体。这种能力构成了众多应用的支柱，包括自动驾驶汽车、先进的安全系统和强大的图像搜索引擎。然而，YOLOv10 在这些基础上引入了超越 YOLOv8 和 YOLOv9 的突破性创新。

YOLOv10 性能的关键创新：

  • 无 NMS 训练：YOLOv10 通过采用一种称为一致双重分配的新技术，消除了训练期间对非最大抑制 （NMS） 的需求。这简化了推理过程，从而显著减少了延迟，使实时对象检测速度更快。
  • 整体模型设计：YOLOv10 的架构师精心优化了模型的各个组件，将效率和准确性放在首位。这种整体方法包括轻量级分类头、独特的空间通道解耦下采样技术和秩引导块设计。其结果是一个在不牺牲计算效率的情况下实现卓越性能的模型。
  • 增强的模型能力：YOLOv10 集成了大核卷积和部分自注意力模块等尖端功能。这些改进提高了模型的性能，而不会产生大量的计算成本。这种功耗和效率之间的平衡使 YOLOv10 成为适用于更广泛计算机视觉任务的多功能工具。

通过结合这些创新，YOLOv10 将自己定位为实时对象检测的强大引擎。它能够提供卓越的准确性和效率，为各种计算机视觉应用带来令人兴奋的可能性。请继续关注 YOLOv10 如何塑造这个充满活力的领域的未来！

使用 YOLOv10 处理图像和视频

步骤 1：安装必要的库

pip install opencv-python ultralytics

第 2 步：导入库

import cv2
from ultralytics import YOLO

第 3 步：选择模型尺寸

model = YOLO("yolov10x.pt")

可以比较不同的型号并权衡它们各自的优缺点。在这种情况下，我们选择了 yolov10x.pt。

第 4 步：编写一个函数来检测图像和视频中的对象

def predict(chosen_model, img, classes=[], conf=0.5):if classes:results = chosen_model.predict(img, classes=classes, conf=conf)else:results = chosen_model.predict(img, conf=conf)return resultsdef predict_and_detect(chosen_model, img, classes=[], conf=0.5, rectangle_thickness=2, text_thickness=1):results = predict(chosen_model, img, classes, conf=conf)for result in results:for box in result.boxes:cv2.rectangle(img, (int(box.xyxy[0][0]), int(box.xyxy[0][1])),(int(box.xyxy[0][2]), int(box.xyxy[0][3])), (255, 0, 0), rectangle_thickness)cv2.putText(img, f"{result.names[int(box.cls[0])]}",(int(box.xyxy[0][0]), int(box.xyxy[0][1]) - 10),cv2.FONT_HERSHEY_PLAIN, 1, (255, 0, 0), text_thickness)return img, results

predict() 功能

此函数采用三个参数：

  • chosen_model ：用于预测的训练模型
  • img ：要进行预测的图像
  • classes ：（可选）要将预测筛选到的类名列表
  • conf ：（可选）要考虑的预测的最小置信度阈值

该函数首先检查是否提供了 classes 参数。如果是，则使用 classes 参数调用该 chosen_model.predict() 方法，该参数仅将预测筛选为这些类。否则，将调用该 chosen_model.predict() 方法时不带 classes 参数，该参数将返回所有预测。

该 conf 参数用于筛选出置信度分数低于指定阈值的预测。这对于消除误报很有用。

该函数返回预测结果列表，其中每个结果都包含以下信息：

  • name ：预测类的名称
  • conf ：预测的置信度分数
  • box ：预测对象的边界框

predict_and_detect() 功能

此函数采用与 predict() 函数相同的参数，但除了预测结果外，它还返回带注释的图像。

该函数首先调用该 predict() 函数以获取预测结果。然后，它循环访问预测结果，并在每个预测对象周围绘制一个边界框。预测类的名称也写在边界框上方。

该函数返回一个包含带注释的图像和预测结果的元组。

以下是这两个函数之间差异的摘要：

  • 该 predict() 函数仅返回预测结果，而该 predict_and_detect() 函数还返回带注释的图像。
  • 该 predict_and_detect() 函数是 predict() 函数的包装器，这意味着它在内部调用函数 predict() 。

第 5 步：使用 YOLOv10 检测图像中的对象

# read the image
image = cv2.imread("YourImagePath")
result_img, _ = predict_and_detect(model, image, classes=[], conf=0.5)

如果要检测特定类（可在此处找到），只需在类列表中输入对象的 ID 号即可。

第 6 步：保存并绘制结果图像

cv2.imshow("Image", result_img)
cv2.imwrite("YourSavePath", result_img)
cv2.waitKey(0)

第 7 步：使用 YOLOv10 检测视频中的对象

video_path = r"YourVideoPath"
cap = cv2.VideoCapture(video_path)
while True:success, img = cap.read()if not success:breakresult_img, _ = predict_and_detect(model, img, classes=[], conf=0.5)cv2.imshow("Image", result_img)cv2.waitKey(1)

第 8 步：保存结果视频

# defining function for creating a writer (for mp4 videos)
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 objectfourcc = cv2.VideoWriter_fourcc(*'MP4V')writer = cv2.VideoWriter(output_filename, fourcc, fps,(frame_width, frame_height))return writer

只需使用上面的函数和代码即可

output_filename = "YourFilename"
writer = create_video_writer(cap, output_filename)video_path = r"YourVideoPath"
cap = cv2.VideoCapture(video_path)
while True:success, img = cap.read()if not success:breakresult_img, _ = predict_and_detect(model, img, classes=[], conf=0.5)writer.write(result_img)cv2.imshow("Image", result_img)cv2.waitKey(1)
writer.release()

结论

在本教程中，我们学习了如何使用 YOLOv10 检测图像和视频中的对象。如果您觉得此代码有用，感谢点赞关注。

引用

YOLOv10源码：https://github.com/THU-MIG/yolov10

好了，这篇文章就介绍到这里，感谢点赞关注，更多精彩内容持续更新中~

关注文末名片G-Z-H：【阿旭算法与机器学习】，可获取更多干货学习资源

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/bicheng/37457.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

datax入门（data-web的简单使用）——02

datax入门（data-web的简单使用）——02

datax入门（data-web的简单使用）——02 1. 前言1.1 关于data-web官网1.1.1 源码下载1.1.2 datax-Web部署手册1.1.2.1 Linux环境部署手册1.1.2.2 本地开发环境部署手册 1.2 关于datax入门 2. 下载之后打包、启动、登录2.1 我的本地环境2.2 修改配置2.3 初始…
阅读更多...
SQL数据库学习指南：从基础到高级

SQL数据库学习指南：从基础到高级

SQL数据库学习指南：从基础到高级 大家好，我是免费搭建查券返利机器人省钱赚佣金就用微赚淘客系统3.0的小编，也是冬天不穿秋裤，天冷也要风度的程序猿！今天我们将深入探讨SQL数据库的学习指南，从基础到高级&…
阅读更多...
html纯原生网页引入vue3版本的quill editor

html纯原生网页引入vue3版本的quill editor

效果图 版本 vueup/vue-quill v1.2.0vue3.3.8Element Plus v2.4.2 引入流程 找一个vue3的项目, 然后安装插件vue版本的quill: vue-quill npm install vueup/vue-quill --save官方地址：https://vueup.github.io/vue-quill/ 安装完成之后，把vue-quil插件下…
阅读更多...
如何搭建数据安全架构？包含数据安全资产梳理、敏感数据发现、数据风险检测、安全态势感知等解决方案

如何搭建数据安全架构？包含数据安全资产梳理、敏感数据发现、数据风险检测、安全态势感知等解决方案

如何搭建数据安全架构？包含数据安全资产梳理、敏感数据发现、数据风险检测、安全态势感知等解决方案。 搭建数据安全架构是一个复杂且系统化的过程，涉及多个方面和层次。以下是一个详细的方案，涵盖数据安全资产梳理、敏感数据发现、数据风险检…
阅读更多...
详解HTTP：HTTP的一次请求

详解HTTP：HTTP的一次请求

HTTP请求的发起 当用户通过浏览器或其他客户端发起一个HTTP请求来获取网页时，这个请求首先会在应用层构建。HTTP是一个基于TCP的应用层协议，它定义了客户端和服务器之间的通信格式和规则。 TCP封装 接下来，HTTP请求会被交给传输层的TCP协议进…
阅读更多...
解开孤独症谱系障碍：原因与症状的深度洞察

解开孤独症谱系障碍：原因与症状的深度洞察

孤独症谱系障碍，这个日益受到关注的话题，让许多人感到困惑和担忧。那么，它究竟是由什么原因引起的，又有哪些表现症状呢？ 引起孤独症谱系障碍的原因目前尚未完全明确，但研究表明，可能与以下因素有…
阅读更多...
深度解析：Transformer模型如何革新序列数据处理

深度解析：Transformer模型如何革新序列数据处理

标题：深度解析：Transformer模型如何革新序列数据处理 摘要 自2017年Google的论文《Attention Is All You Need》发布以来，Transformer模型以其独特的注意力机制，在自然语言处理（NLP）领域引起了革命性的变…
阅读更多...
ROS2使用Python创建服务提供者、消费者

ROS2使用Python创建服务提供者、消费者

1.创建服务提供者 ros2 pkg create example_service_rclpy --build-type ament_python --dependencies rclpy example_interfaces --node-name service_server_02 service_server_02.py 代码 #!/usr/bin/env python3 import rclpy from rclpy.node import Node # 导入接口 …
阅读更多...
量产工具一一显示系统（一）

量产工具一一显示系统（一）

目录 前言 一、项目介绍和应用 1.简单易用 2.软件可配置、易扩展 3.纯 C 语言编程 4.类似界面应用 二、项目总体框架 三、显示系统 1.显示系统数据结构抽象 （1）common.h （2）disp_manager.h 2.Framebuffer编程 &#x…
阅读更多...
Java中的switch语句详解

Java中的switch语句详解

Java中的switch语句详解 大家好，我是免费搭建查券返利机器人省钱赚佣金就用微赚淘客系统3.0的小编，也是冬天不穿秋裤，天冷也要风度的程序猿！今天我们来详细探讨一下Java中的switch语句。switch语句是Java中的一种多分支选择结构&…
阅读更多...
Unity数据持久化3——Json

Unity数据持久化3——Json

概述 基础知识 Json文件格式 Json基本语法 练习 可以搜索：Json在线，复制代码进去解析是否写错了。 Excel转Json C#读取存储Json文件 JsonUtility using System.Collections; using System.Collections.Generic; using System.IO; using UnityEngine;[Sy…
阅读更多...
AI周报（6.23-6.29）

AI周报（6.23-6.29）

AI应用-巴西医生成功用Vision Pro做手术 巴西外科医生布鲁诺戈巴托（Bruno Gobbato）在2024年4月22日首次成功使用Apple Vision Pro进行了肩袖撕裂的手术。这次手术采用了肩关节镜技术，通过关节内的摄像头捕捉图像，并通过高分辨率的…
阅读更多...
基于Spring Boot的校园失物招领系统

基于Spring Boot的校园失物招领系统

1 项目介绍 1.1 研究的背景及意义 在网络时代飞速发展的今天，随着网络技术日臻完善，我们的生活方式正经历深刻变革。在物质追求日益增长的同时，提升个人精神境界也成为了现代人的共同向往，而阅读则是滋养心灵、丰富精神世界的重…
阅读更多...
信息检索（57）：MINIMIZING FLOPS TO LEARN EFFICIENT SPARSE REPRESENTATIONS

信息检索（57）：MINIMIZING FLOPS TO LEARN EFFICIENT SPARSE REPRESENTATIONS

MINIMIZING FLOPS TO LEARN EFFICIENT SPARSE REPRESENTATIONS 摘要1 引言2 相关工作3 预期 FLOPS 次数4 我们的方法5 实验6 结论 发布时间（2020） 最小化 Flop 来学习高效的稀疏表示 摘要 1）学习高维稀疏表示 2）FLOP 集成到损失…
阅读更多...
PyScript：在浏览器中释放Python的强大

PyScript：在浏览器中释放Python的强大

PyScript：Python代码，直接在网页上运行。- 精选真开源，释放新价值。 概览 PyScript是一个创新的框架，它打破了传统编程环境的界限，允许开发者直接在浏览器中使用Python语言来创建丰富的网络应用。结合了HTML界面、Pyo…
阅读更多...
WLAN 4-Way Handshake如何生成GTK？

WLAN 4-Way Handshake如何生成GTK？

关于Wi-Fi的加密认证过程，可以参考如下链接，今天我们来理解如何生成GTK。 WLAN数据加密机制_tls加密wifi-CSDN博客 1 GTK GTK（Group Temporal Key）是由AP通过GMK生成，长度为128位，并在四次握手的第三步中…
阅读更多...
使用Netty框架实现WebSocket服务端与客户端通信(附ssl)

使用Netty框架实现WebSocket服务端与客户端通信(附ssl)

仓库地址： https://gitee.com/lfw1024/netty-websocket 导入后可直接运行 预览页面 自签证书： #换成自己的本地ip keytool -genkey -alias server -keyalg RSA -validity 3650 -keystore D:\mystore.jks -ext sanip:192.168.3.7,ip:127.0.0.1,dns:lo…
阅读更多...
【STM32修改串口波特率】

【STM32修改串口波特率】

STM32微控制器中的串口波特率调整通常涉及到USART（通用同步接收器/发送器）模块的配置。USART模块提供了多个寄存器来设置波特率，其中关键的寄存器包括BRR（波特率寄存器）和USART_CR1（控制寄存器1&#xff09…
阅读更多...
【云原生】加强理解Pod资源控制器

【云原生】加强理解Pod资源控制器

Pod控制器 文章目录 Pod控制器一、Replication Controller（RC）1.1、什么是RC1.2、RC应用1.3、RC滚动更新 二、Replication Set（RS）2.1、什么是RS2.2、RS应用 三、Deployment3.1、什么是Deployment3.2、更新节奏和更新逻辑3.3、自定…
阅读更多...
uniapp - 微信小程序 - 自定义底部tabbar

uniapp - 微信小程序 - 自定义底部tabbar

废话不多说&#xff0c;直接行源码 这里需要的底部tabbar的图片在这里 我的资源里面呢 图片是这样的 先看成品吧 首先 - BaseApp\components\Tabbar.vue <script setup>import {ref,nextTick,watch} from "vue"// 核心 - 隐藏uniapp自带的底部tabbaruni.hi…
阅读更多...
最新文章

Copyright @ 2022~2023