yolov10
Update checkpoints with other attributes.
Официальная реализация YOLOv10 на PyTorch. НейрИПС 2024.
Сравнение с другими с точки зрения компромисса между задержкой и точностью (слева) и точностью размера (справа).
YOLOv10: Сквозное обнаружение объектов в реальном времени.
Ао Ван, Хуэй Чен, Лихао Лю, Кай Чен, Цзыцзя Линь, Чунгун Хан и Гуйгуан Дин
cv2 и cv3 в v10Detect выполняются во время вывода.КОКО
| Модель | Размер теста | #Параметры | Флопы | АП вал | Задержка |
|---|---|---|---|---|---|
| YOLOv10-N | 640 | 2,3 млн. | 6,7 г | 38,5% | 1,84 мс |
| YOLOv10-S | 640 | 7,2 млн. | 21,6 г | 46,3% | 2,49 мс |
| ЮЛОв10-М | 640 | 15,4 млн. | 59.1Г | 51,1% | 4,74 мс |
| YOLOv10-B | 640 | 19,1 млн. | 92,0 г | 52,5% | 5,74 мс |
| YOLOv10-L | 640 | 24,4 млн. | 120,3G | 53,2% | 7,28 мс |
| YOLOv10-X | 640 | 29,5 млн. | 160,4G | 54,4% | 10,70 мс |
рекомендуется виртуальная среда conda .
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
Или
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
Или
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 )При желании вы можете отправить свою точно настроенную модель в хаб Hugging Face как общедоступную или частную модель:
# let's say you have fine-tuned a model for crop detection
model . push_to_hub ( "<your-hf-username-or-organization/yolov10-finetuned-crop-detection" )
# you can also pass `private=True` if you don't want everyone to see your model
model . push_to_hub ( "<your-hf-username-or-organization/yolov10-finetuned-crop-detection" , private = True )Обратите внимание, что можно установить меньший порог достоверности для обнаружения более мелких объектов или объектов на расстоянии. Пожалуйста, обратитесь сюда для получения подробной информации.
yolo predict model=jameslahm/yolov10{n/s/m/b/l/x}
Или
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
Или
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 (...)База кода построена с использованием Ultralytics и RT-DETR.
Спасибо за отличные реализации!
Если наш код или модели помогут вам в работе, цитируйте нашу статью:
@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 }
}
