yolov10
Update checkpoints with other attributes.
Implementação oficial do PyTorch do YOLOv10 . NeuroIPS 2024.
Comparações com outros em termos de compensações entre precisão de latência (esquerda) e precisão de tamanho (direita).
YOLOv10: Detecção de objetos ponta a ponta em tempo real.
Ao Wang, Hui Chen, Lihao Liu, Kai Chen, Zijia Lin, Jungong Han e Guiguang Ding
cv2 e cv3 no v10Detect são executadas durante a inferência.COCO
| Modelo | Tamanho do teste | #Params | FLOPs | Valor AP | Latência |
|---|---|---|---|---|---|
| YOLOv10-N | 640 | 2,3 milhões | 6,7G | 38,5% | 1,84ms |
| YOLOv10-S | 640 | 7,2 milhões | 21,6G | 46,3% | 2,49ms |
| YOLOv10-M | 640 | 15,4 milhões | 59,1G | 51,1% | 4,74ms |
| YOLOv10-B | 640 | 19,1 milhões | 92,0G | 52,5% | 5,74ms |
| YOLOv10-L | 640 | 24,4 milhões | 120,3G | 53,2% | 7,28ms |
| YOLOv10-X | 640 | 29,5 milhões | 160,4G | 54,4% | 10,70ms |
O ambiente virtual conda é recomendado.
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
Ou
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
Ou
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 )Opcionalmente, você pode enviar seu modelo ajustado para o hub Hugging Face como um modelo público ou privado:
# 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 ) Observe que um limite de confiança menor pode ser definido para detectar objetos menores ou objetos à distância. Consulte aqui para obter detalhes.
yolo predict model=jameslahm/yolov10{n/s/m/b/l/x}
Ou
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
Ou
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 (...)A base de código é construída com ultralíticos e RT-DETR.
Obrigado pelas ótimas implementações!
Se nosso código ou modelos ajudarem em seu trabalho, cite nosso artigo:
@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 }
}
