Ultralytics_yolov10目标检测，预处理函数入口

日期：2024.10.7.
随着Ultralytics的更新，yolov5-v11可以统一使用Ultralytics包体，我之前分析的yolov5关键代码定位在Ultralytics中不适用，这篇博客更新一下。

1. Ultralytics包体版本：

$ pip list | grep ultralytics
ultralytics                  8.2.101
ultralytics-thop             2.0.8

2. 测试代码

我不确定yolov10的预处理入口和其他yolo版本是否一样，大家感兴趣自己测试一下

from ultralytics import YOLO# Load a model
model = YOLO("yolov10n.pt")  # build a new model from YAML# Train the model with data augmentation enabled
results = model.train(data="your_path1/your_dataset.yaml",epochs=150,imgsz=320,batch=8,project='your_path2',name='train',pretrained=True,
)

3. train阶段预处理入口

文件：ultralytics/data/base.py
类：class BaseDataset(Dataset):
函数：def load_image(self, i, rect_mode=True):

在base.py文件中的---->BaseDataset类---->load_image函数

4. val阶段预处理函数入口

文件：ultralytics/data/augment.py
类：class LetterBox:
函数：def call(self, labels=None, image=None):

在augment.py文件中的---->LetterBox类---->__call__函数

5. 验证方法

5.1. 方法1：

修改预处理方法，查看训练结果存放的文件夹your_path2/train，这个文件夹在第2节的测试代码中指定，文件夹内可以看到train和val阶段的图片

5.2. 方法2

打断点查看进入Warmup或Forward的图片，打断点的位置：

文件：ultralytics/engine/trainer.py
类：class BaseTrainer:
函数：def _do_train(self, world_size=1):
在函数中找到for i, batch in pbar:并打断点

对batch中的img，查看或保存到本地就可以验证了。

images = batch['img']
save_path = "./image_{}.jpg"  # 用你自己的路径# 遍历每一张图片
for i in range(images.shape[0]):# 获取第 i 张图片的 Tensor，形状 [3, 320, 320]img_tensor = images[i]# 调整维度顺序，从 [3, 320, 320] -> [320, 320, 3]img_np = img_tensor.permute(1, 2, 0).numpy()# 将Tensor数值范围从[0, 1]（假设这是你的数据范围）转换为[0, 255]，并转换为uint8类型img_np = (img_np).astype(np.uint8)# 使用 PIL Image 将 NumPy 数组转换为图像img_pil = Image.fromarray(img_np)# 保存图片img_pil.save(save_path.format(i))  # 保存图片路径中带有索引i