一级a做爰片在线看免播放器网站,做的比较好的几个宠物网站,介绍做燕窝的网站,做网站开发甲方一直要求p图引言 YOLOv10[1] 概述和使用自定义数据训练模型 概述 由清华大学的研究团队基于 Ultralytics Python 包研发的 YOLOv10#xff0c;通过优化模型结构并去除非极大值抑制#xff08;NMS#xff09;环节#xff0c;提出了一种创新的实时目标检测技术。这些改进不仅实现了行业领… 引言 YOLOv10[1] 概述和使用自定义数据训练模型 概述 由清华大学的研究团队基于 Ultralytics Python 包研发的 YOLOv10通过优化模型结构并去除非极大值抑制NMS环节提出了一种创新的实时目标检测技术。这些改进不仅实现了行业领先的检测性能还降低了对计算资源的需求。大量实验结果证明YOLOv10 在不同规模的模型上都能提供卓越的准确率和延迟之间的平衡。 架构 Backbone在 YOLOv10 中主干网络负责提取特征它采用了改进版的 CSPNet跨阶段部分网络这一改进有助于优化梯度传播并降低计算过程中的重复性。 Neck连接层的作用是整合不同尺度上的特征并将它们传递给网络的输出部分。它内部集成了 PAN路径聚合网络层以实现多尺度特征的有效融合。 One-to-Many Head在训练过程中对于每个目标对象生成多个预测结果这样做可以提供更多的监督信号从而提升模型的学习精度。 One-to-One Head在推理过程中对于每个目标对象生成单一的最佳预测结果这样做可以省去 NMS非极大值抑制的步骤减少处理时间提高整体的效率。 模型变体和性能 YOLOv10 提供了六种不同规模的模型 YOLOv10-N纳米版专为资源极其有限的场合设计。 YOLOv10-S小型版兼顾速度与准确性。 YOLOv10-M中型版适用于一般用途。 YOLOv10-B平衡版通过增加模型宽度来提升准确性。 YOLOv10-L大型版牺牲一定的计算资源以换取更高的准确性。 YOLOv10-X超大型版追求极致的准确性和性能表现。 性能比较 让我们看一下不同模型在延迟和准确性方面的比较这些模型是在 COCO 等标准基准上进行测试的。 img 显然YOLOv10 是实时物体检测应用的尖端技术能够以更少的参数提供更高的精度和速度性能。 实战训练 首先克隆官方 YOLOv10 GitHub 存储库以下载必要的 yolov10n 模型。 pip install -q githttps://github.com/THU-MIG/yolov10.gitwget -P -q https://github.com/jameslahm/yolov10/releases/download/v1.0/yolov10n.pt 您可以在 Roboflow Universe 平台上开展任何自定义项目自行构建数据集还可以利用 Intel 赞助的 RF100 数据集。在本文中我将采用一个专为检测 X 射线图像中的可疑物品而设计好的数据集。 通过 Roboflow API您可以下载以 YOLOv8 格式封装的模型。 !pip install -q roboflowfrom roboflow import Roboflowrf Roboflow(api_keyyour-api-key)project rf.workspace(vladutc).project(x-ray-baggage)version project.version(3)dataset version.download(yolov8) 指定参数和文件路径然后开始模型训练。 !yolo taskdetect modetrain epochs25 batch32 plotsTrue \model/content/-q/yolov10n.pt \data/content/X-Ray-Baggage-3/data.yaml 示例 data.yaml 文件 names:- Gun- Knife- Pliers- Scissors- Wrenchnc: 5roboflow: license: CC BY 4.0 project: x-ray-baggage url: https://universe.roboflow.com/vladutc/x-ray-baggage/dataset/3 version: 3 workspace: vladutctest: /content/X-Ray-Baggage-3/test/imagestrain: /content/X-Ray-Baggage-3/train/imagesval: /content/X-Ray-Baggage-3/valid/images 让我们看看结果。 Image(filename/content/runs/detect/train/results.png, width1000) 让我们预测测试数据并在 5x2 网格中显示结果。 from ultralytics import YOLOv10model_path /content/runs/detect/train/weights/best.ptmodel YOLOv10(model_path)results model(source/content/X-Ray-Baggage-3/test/images, conf0.25,saveTrue)import globimport matplotlib.pyplot as pltimport matplotlib.image as mpimgimages glob.glob(/content/runs/detect/predict/*.jpg)images_to_display images[:10]fig, axes plt.subplots(2, 5, figsize(20, 10))for i, ax in enumerate(axes.flat): if i len(images_to_display): img mpimg.imread(images_to_display[i]) ax.imshow(img) ax.axis(off) else: ax.axis(off) plt.tight_layout()plt.show() Reference [1] Source: https://medium.com/batuhansenerr/yolov10-custom-object-detection-bd7298ddbfd3 本文由 mdnice 多平台发布
