yolov10
Update checkpoints with other attributes.
Offizielle PyTorch-Implementierung von YOLOv10 . NeurIPS 2024.
Vergleiche mit anderen hinsichtlich der Kompromisse zwischen Latenz und Genauigkeit (links) und Größe und Genauigkeit (rechts).
YOLOv10: End-to-End-Objekterkennung in Echtzeit.
Ao Wang, Hui Chen, Lihao Liu, Kai Chen, Zijia Lin, Jungong Han und Guiguang Ding
cv2 und cv3 Operationen im v10Detect während der Inferenz ausgeführt werden.COCO
| Modell | Testgröße | #Params | FLOPs | AP- Wert | Latenz |
|---|---|---|---|---|---|
| YOlov10-N | 640 | 2,3 Mio | 6,7G | 38,5 % | 1,84 ms |
| YOlov10-S | 640 | 7,2 Mio | 21,6G | 46,3 % | 2,49 ms |
| YOlov10-M | 640 | 15,4 Millionen | 59,1G | 51,1 % | 4,74 ms |
| YOlov10-B | 640 | 19,1 Mio | 92,0G | 52,5 % | 5,74 ms |
| YOlov10-L | 640 | 24,4 Millionen | 120,3G | 53,2 % | 7,28 ms |
| YOlov10-X | 640 | 29,5 Mio | 160,4G | 54,4 % | 10,70 ms |
Die virtuelle conda Umgebung wird empfohlen.
conda create -n yolov10 python=3.9
conda activate yolov10
pip install -r requirements.txt
pip install -e .
python app.py
# Please visit http://127.0.0.1:7860
yolov10n yolov10s yolov10m yolov10b yolov10l yolov10x
yolo val model=jameslahm/yolov10{n/s/m/b/l/x} data=coco.yaml batch=256
Oder
from ultralytics import YOLOv10
model = YOLOv10 . from_pretrained ( 'jameslahm/yolov10{n/s/m/b/l/x}' )
# or
# wget https://github.com/THU-MIG/yolov10/releases/download/v1.1/yolov10{n/s/m/b/l/x}.pt
model = YOLOv10 ( 'yolov10{n/s/m/b/l/x}.pt' )
model . val ( data = 'coco.yaml' , batch = 256 ) yolo detect train data=coco.yaml model=yolov10n/s/m/b/l/x.yaml epochs=500 batch=256 imgsz=640 device=0,1,2,3,4,5,6,7
Oder
from ultralytics import YOLOv10
model = YOLOv10 ()
# If you want to finetune the model with pretrained weights, you could load the
# pretrained weights like below
# model = YOLOv10.from_pretrained('jameslahm/yolov10{n/s/m/b/l/x}')
# or
# wget https://github.com/THU-MIG/yolov10/releases/download/v1.1/yolov10{n/s/m/b/l/x}.pt
# model = YOLOv10('yolov10{n/s/m/b/l/x}.pt')
model . train ( data = 'coco.yaml' , epochs = 500 , batch = 256 , imgsz = 640 )Optional können Sie Ihr fein abgestimmtes Modell als öffentliches oder privates Modell auf den Hugging Face-Hub übertragen:
# let's say you have fine-tuned a model for crop detection
model . push_to_hub ( " )
# you can also pass `private=True` if you don't want everyone to see your model
model . push_to_hub ( " , private = True ) Beachten Sie, dass ein kleinerer Vertrauensschwellenwert eingestellt werden kann, um kleinere Objekte oder Objekte in der Ferne zu erkennen. Weitere Informationen finden Sie hier.
yolo predict model=jameslahm/yolov10{n/s/m/b/l/x}
Oder
from ultralytics import YOLOv10
model = YOLOv10 . from_pretrained ( 'jameslahm/yolov10{n/s/m/b/l/x}' )
# or
# wget https://github.com/THU-MIG/yolov10/releases/download/v1.1/yolov10{n/s/m/b/l/x}.pt
model = YOLOv10 ( 'yolov10{n/s/m/b/l/x}.pt' )
model . predict () # End-to-End ONNX
yolo export model=jameslahm/yolov10{n/s/m/b/l/x} format=onnx opset=13 simplify
# Predict with ONNX
yolo predict model=yolov10n/s/m/b/l/x.onnx
# End-to-End TensorRT
yolo export model=jameslahm/yolov10{n/s/m/b/l/x} format=engine half=True simplify opset=13 workspace=16
# or
trtexec --onnx=yolov10n/s/m/b/l/x.onnx --saveEngine=yolov10n/s/m/b/l/x.engine --fp16
# Predict with TensorRT
yolo predict model=yolov10n/s/m/b/l/x.engine
Oder
from ultralytics import YOLOv10
model = YOLOv10 . from_pretrained ( 'jameslahm/yolov10{n/s/m/b/l/x}' )
# or
# wget https://github.com/THU-MIG/yolov10/releases/download/v1.1/yolov10{n/s/m/b/l/x}.pt
model = YOLOv10 ( 'yolov10{n/s/m/b/l/x}.pt' )
model . export (...)Die Codebasis basiert auf Ultralytics und RT-DETR.
Vielen Dank für die tollen Umsetzungen!
Wenn unser Code oder unsere Modelle Ihnen bei Ihrer Arbeit helfen, zitieren Sie bitte unser Papier:
@article { wang2024yolov10 ,
title = { YOLOv10: Real-Time End-to-End Object Detection } ,
author = { Wang, Ao and Chen, Hui and Liu, Lihao and Chen, Kai and Lin, Zijia and Han, Jungong and Ding, Guiguang } ,
journal = { arXiv preprint arXiv:2405.14458 } ,
year = { 2024 }
}
