3 建设营销型网站流程,网站怎么做分类聚合,wordpress采集爬虫,公司建设内容引子
两个多月前YOLOv9发布#xff08;感兴趣的童鞋可以移步YOLOv9环境搭建推理测试_yolov9安装-CSDN博客#xff09;#xff0c;这才过去这么短的时间#xff0c;YOLOv10就横空出世了。现在YOLO系列搞得就和追剧一样了。。。OK#xff0c;那就让我们开始吧。
一、…引子
两个多月前YOLOv9发布感兴趣的童鞋可以移步YOLOv9环境搭建推理测试_yolov9安装-CSDN博客这才过去这么短的时间YOLOv10就横空出世了。现在YOLO系列搞得就和追剧一样了。。。OK那就让我们开始吧。
一、模型介绍
1、作者提出了一种新颖的一致性双重分配策略用于无需NMS的YOLO。设计了一种双重标签分配方法通过一对多分支在训练过程中提供丰富的监督信息以及通过一对一分支在推理过程中实现高效率。此外为了确保两个分支之间的和谐监督作者创新性地提出了连贯匹配度量这可以很好地减少理论上的监督差距并带来性能的提升。
2、作者提出了一种整体效率-精度驱动的模型设计策略用于YOLO的模型架构。作者展示了新型轻量级分类头、空间-通道解耦降采样和排名引导的块设计这些设计大大减少了计算冗余并实现了高效率。作者进一步引入了大核卷积和创新的部分自注意力模块这些模块在低成本的条件下有效地提升了性能。
3、基于上述方法作者推出了YOLOv10这是一个新的实时端到端目标检测器。广泛的实验表明YOLOv10与其他先进检测器相比在性能和效率权衡方面达到了最先进水平。局限性。 由于计算资源的限制作者没有在大规模数据集上进行YOLOv10的预训练例如Objects365 [47]。此外尽管作者在无需NMS的训练下使用一对一 Head 可以获得具有竞争力的端到端性能但与使用NMS的一对多训练相比仍然存在性能差距特别是在小型模型中更为明显。例如在YOLOv10-N和YOLOv10-S中使用NMS的一对多训练的性能比无需NMS的训练分别高出1.0% AP和0.5% AP。作者将在未来的工作中探索进一步缩小差距并实现更高性能的方法。
二、环境安装
代码仓库
GitHub - THU-MIG/yolov10: YOLOv10: Real-Time End-to-End Object Detection
环境安装
docker run --rm -it --gpusall -v /datas/work/zzq:/workspace pytorch/pytorch:2.0.1-cuda11.7-cudnn8-devel bash
cd /workspace/YOLOv10/yolov10-main
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install -e . -i https://pypi.tuna.tsinghua.edu.cn/simple
三、测试推理
1训练
yolo detect train datacoco.yaml modelyolov10n/s/m/b/l/x.yaml epochs500 batch256 imgsz640 device0,1,2,3,4,5,6,7
2评估
yolo val modelyolov10n/s/m/b/l/x.pt datacoco.yaml batch256
3推理
模型下载
Release Update checkpoints with other attributes. · THU-MIG/yolov10 · GitHub
yolo predict modelyolov10x.pt 4模型转换
转onnx
yolo export modelyolov10x.pt formatonnx opset13 simplify 测试onnx
