企业网站用什么域名,网站程序 不能创建文件夹,中国核工业华兴建设有限公司网站,.mil 域名网站有哪些一、YOLO V10
在本专栏的前面几篇文章中#xff0c;我们使用 ultralytics 公司开源发布的 YOLO-V8 模型#xff0c;分别 Fine-Tuning 实验了 目标检测、关键点检测、分类 任务#xff0c;实验后发现效果都非常的不错#xff0c;但它已经不是最强的了。最新的 YOLO-V10 已经…一、YOLO V10
在本专栏的前面几篇文章中我们使用 ultralytics 公司开源发布的 YOLO-V8 模型分别 Fine-Tuning 实验了 目标检测、关键点检测、分类 任务实验后发现效果都非常的不错但它已经不是最强的了。最新的 YOLO-V10 已经完全超越之前的所有版本 YOLO-V10 由清华大学提供采用无 NMS 训练和效率-精度驱动架构提供目前最先进的性能和延迟。 从上图中的对比效果可以明显看出 YOLO-V10 不仅在速度上得到了极大的提升精度同样也得到了明显的提升。主要得益于其 无 NMS 训练的重大变化。
在模型上 V10 和之前的版本类似包括不同大小的模型从小到大包括
YOLOv10-N用于资源极其有限环境的纳米版本。YOLOv10-S兼顾速度和精度的小型版本。YOLOv10-M通用中型版本。YOLOv10-B平衡型宽度增加精度更高。YOLOv10-L大型版本精度更高但计算资源增加。YOLOv10-X超大型版本可实现最高精度和性能。
模型的比较如下 更多的介绍可以参考官方的文档 https://docs.ultralytics.com/de/models/yolov10/#model-variants 本文借助 ultralytics 框架对 YOLO V10 迁移训练自定义的目标检测模型本次实验训练一个人脸检测模型包括数据标注、数据拆分、训练、测试等过程。
实验采用 ultralytics 框架可以帮助开发人员高效完成数据训练和验证任务由于 ultralytics 默认采用的为 PyTorch 框架因此实验前请安装好 cuda 和 torch 环境如果没有 GPU 环境由于YOLO V10 已经足够轻量级使用CPU 也是可以训练。
安装 ultralytics 库
pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple如果已经安装需要更新到最新版本
pip install --upgrade ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simpleultralytics 使用文档 https://docs.ultralytics.com/zh/quickstart/#use-ultralytics-with-python 测试 YOLO V10 的效果
测试图片
这里使用 yolov10n 模型如果模型不存在会自动下载
from ultralytics import YOLO
# Load a model
model YOLO(yolov10n.pt)results model.predict(./img/1.png)
results[0].show()二、准备训练数据及标注
图像数据可以从网上找一些或者自己拍摄我这里准备了一些 人 的图片 这里可以准备两个目录data/images 和 data/labels其中 labels 存放标注后的文件将收集到的图像放在 images 目录下 下面使用 labelimg 工具进行标注如果没有安装使用下面命令安装
pip install labelimg -i https://pypi.tuna.tsinghua.edu.cn/simple然后在控制台输入labelimg 打开可视化工具 注意数据集格式默认是 VOC 格式的要选择为 YOLO 我这里的人脸标签为 face 这个后面需要使用到。
标注完成后可以在 /data/labels 下看到标注后的文件 三、数据拆分
这里拆分为 90% 的训练集10% 的验证集这部分和之前训练 YOLO V8 时一致拆分脚本如下
import os
import shutil
from tqdm import tqdm# 图片地址
image_dir data/images/
# 标准文件地址
label_dir data/labels/
# 训练集的比例
training_ratio 0.9
# 拆分后数据的位置
train_dir train_datadef split_data():list os.listdir(image_dir)all len(list)train_count int(all * training_ratio)train_images list[0:train_count]val_images list[train_count:]# 训练集目录os.makedirs(os.path.join(train_dir, images/train), exist_okTrue)os.makedirs(os.path.join(train_dir, labels/train), exist_okTrue)# 验证集目录os.makedirs(os.path.join(train_dir, images/val), exist_okTrue)os.makedirs(os.path.join(train_dir, labels/val), exist_okTrue)# 训练集with open(os.path.join(train_dir, train.txt), w) as file:file.write(\n.join([train_dir images/train/ image_file for image_file in train_images]))print(save train.txt success!)# 拷贝数据for item in tqdm(train_images):label_file item.replace(.jpg, .txt)shutil.copy(os.path.join(image_dir, item), os.path.join(train_dir, images/train/))shutil.copy(os.path.join(label_dir, label_file), os.path.join(train_dir, labels/train/))# 验证集with open(os.path.join(train_dir, val.txt), w) as file:file.write(\n.join([train_dir images/val/ image_file for image_file in val_images]))print(save val.txt success!)# 拷贝数据for item in tqdm(val_images):label_file item.replace(.jpg, .txt)shutil.copy(os.path.join(image_dir, item), os.path.join(train_dir, images/val/))shutil.copy(os.path.join(label_dir, label_file), os.path.join(train_dir, labels/val/))if __name__ __main__:split_data() 可以在 train_data 中看到拆分后的数据集格式 四、训练
使用 ultralytics 框架训练非常简单仅需三行代码即可完成训练不过在训练前需要编写 YAML 配置信息主要标记数据集的位置。
创建 face.yaml 文件写入下面内容 path: D:/pyProject/yolov10/train_data # 数据集的根目录, 建议使用绝对路径
train: images/train # 训练集图像目录
val: images/val # 验证集图像目录
test: # test images (optional)# 分类
names:0: face注意分类中的 face 就是上面标注时的标签名。
开始训练
from ultralytics import YOLO# 加载模型
model YOLO(yolov10n.pt)# 训练
model.train(dataface.yaml, # 训练配置文件epochs100, # 训练的周期imgsz640, # 图像的大小device[0], # 设备如果是 cpu 则是 devicecpuworkers0,lr00.0001, # 学习率batch8, # 批次大小ampFalse # 是否启用混合精度训练
)运行后可以看到打印的网络结构 训练中 训练结束后可以在 runs 目录下面看到训练的结果 其中 weights 下面的就是训练后保存的模型这里可以先看下训练时 loss 的变化图 五、模型测试
在 runs\detect\train\weights 下可以看到 best.pt 和 last.pt 两个模型表示最佳和最终模型下面使用 best.pt 模型进行测试
from ultralytics import YOLO
from matplotlib import pyplot as plt
import os
plt.rcParams[font.sans-serif] [SimHei]# 测试图片地址
base_path test
# 加载模型
model YOLO(runs/detect/train/weights/best.pt)
for img_name in os.listdir(base_path):img_path os.path.join(base_path, img_name)image plt.imread(img_path)# 预测results model.predict(image, devicecpu)boxes results[0].boxes.xyxyconfs results[0].boxes.confax plt.gca()for index, boxe in enumerate(boxes):x1, y1, x2, y2 boxe[0], boxe[1], boxe[2], boxe[3]score confs[index].item()ax.add_patch(plt.Rectangle((x1, y1), (x2 - x1), (y2 - y1), linewidth2, fillFalse, colorred))plt.text(xx1, yy1-10, s{:.2f}.format(score), fontsize15, colorwhite,bboxdict(facecolorblack, alpha0.5))plt.imshow(image)plt.show()
