YOLOv10GPU训练自己的数据（含网络结构图） (草履虫都能看懂系列)

时间：2024-11-23 07:07:20

 目录（方便查找自己所需）

目录

1、YOLOv10介绍

2、yolov10模型图​编辑

3、前提所需

4、yolov10模型、权重下载

5、环境配置

5.1.下载yolov10所需虚拟环境

​5.2.下载yolov10依赖库

5.3.下载CUDA

5.4.下载pytorch

5.5检测是否安装正确

6、pycharm添加解释器

7、数据集制作

8、训练

9、预测

1、YOLOv10介绍

YOLOv10是清华大学的研究人员在Ultralytics Python包的基础上，引入了一种新的实时目标检测方法，解决了YOLO 以前版本在后处理和模型架构方面的不足。通过消除非最大抑制（NMS）和优化各种模型组件，YOLOv10 在显著降低计算开销的同时实现了最先进的性能。大量实验证明，YOLOv10 在多个模型尺度上实现了卓越的精度-延迟权衡。

2、yolov10模型图

3、前提所需

anaconda3、pycharm下载完成（最好不要最新版本，也不要太旧，本人使用2021.3）

4、yolov10模型、权重下载

1.模型下载：​ ​​github模型代码下载 ​

​

2.模型权重下载（非必须）：yolov10模型下载相同位置，往下翻

直接放yolov10文件夹根目录下

​

5、环境配置

5.1.下载yolov10所需虚拟环境

打开anaconda prompt

​

cd进入你下载的yolov10文件夹中

​

创建yolov10环境：输入 conda create -n yolov10（代表环境名称）python=3.9（使用Python的版本），按y+回车

无脑复制

conda create -n yolov10 python=3.9

​进入你刚安装的yolov10环境：conda activate yolov10（你的环境名称）

无脑复制

conda activate yolov10

进入后（）会变成你环境名称 （判断是否安装成功）

​5.2.下载yolov10依赖库

首先到你下载的yolov10文件中找到文件

这个标记蓝色的直接删除，这是cpu版本的torch和torchvison（后续实验了一下删不删都可）

然后安装包里的库文件

​

无脑复制

pip install -r

去除模型只读权限（如果说你要修改模型，必须pip install -e.，如果说只是复现，可加可不加）

无脑复制

pip install -e .

只要中间不报错即为下载成功

5.3.下载CUDA

cuda是连接GPU和模型训练的桥梁，pytorch是进入桥梁那段上坡的路（CPU训练慢，GPU快还好）（最好选择在虚拟环境安装，以下介绍为虚拟机安装过程）

查看cuda最高支持版本，win+R，输入cmd，打开命令窗口，输入，红框位置为最大可支持安装版本

无脑复制

conda install cudatoolkit=11.7

5.4.下载pytorch

cuda是连接GPU和模型训练的桥梁，pytorch是进入桥梁那段上坡的路（pytorch库必须和cuda版本匹配）（其实这个在之前下载yolov10虚拟环境已经下载过了，但是为了确保你的pytorch版本和CUDA版本一致，所以这里在从下一遍以确保环境没有问题）

​

无脑复制（CUDA 11.7）Y+回车，两个任选其一，第一个是下载pytorch，第二个是下载torch，经过实验均可

conda install pytorch==2.0.1 torchvision==0.15.2 torchaudio==2.0.2 pytorch-cuda=11.7 -c pytorch -c nvidia

 安装后的结果

pip install torch==2.0.1 torchvision==0.15.2 torchaudio==2.0.2

安装后的结果

或者去pytorch官网查找(只是教你怎么去找你所下载CUDA对应的pytorch，以防下载的别的版本的CUDA)(例如CUDA=11.8)

​

​

从下载的yolov10文件中去查看所需要的最低版本号

找到,可以看到是最低需要1.7.0版本

​​

然后找到最低的pytorch版本号和对应的cuda版本，复制下面的代码

​

​

conda install pytorch==2.0.1 torchvision==0.15.2 torchaudio==2.0.2 pytorch-cuda=11.8 -c pytorch -c nvidia

5.5检测是否安装正确

（环境已经配好添加好了，6搞完）

建立

import torch
print('CUDA版本:',)
print('Pytorch版本:',torch.__version__)
print('显卡是否可用:','可用' if(.is_available()) else '不可用')
print('显卡数量:',.device_count())
print('当前显卡型号:',.get_device_name())
print('当前显卡的CUDA算力:',.get_device_capability())
print('当前显卡的总显存:',.get_device_properties(0).total_memory/1024/1024/1024,'GB')
print('是否支持TensorCore:','支持' if (.get_device_properties(0).major >= 7) else '不支持')
print('当前显卡的显存使用率:',.memory_allocated(0)/.get_device_properties(0).total_memory*100,'%')

6、pycharm添加解释器

点击文件、设置

​

找到python解释器，添加新的解释器

​

找到conda环境、使用现有环境，找到你前面配置的yolov10（环境名称）

​

点击应用​

7、数据集制作

这边去看yolov9的数据集制作就可以，方法相同

YOLOv9最详细教程（训练自己数据集、结构介绍、重点代码讲解）(草履虫都能看懂系列)-****博客

8、训练

训练有很多种训练方式，我挑选的是我认为最为简单的一种，即修改文件，然后在终端调用

文件在yolov10/ultralytics/cfg文件中

需修改（最好为绝对路径，多仔细看看，容易出错）

模型文件model（(模型文件)位置）

数据文件(训练图片)data（文件所在位置）

训练轮次epochs（基本为300）

训练所放图片个数batch（4/8/16，看自己电脑量力而行）

训练存储地址和名称name（可不改）

使用GPU训练device:0（重点）

预训练权重pretrained（(权重文件，要于上面对应，就比如你用yolo10n训练你就必须要来作为你的预训练权重)位置，无可以不填）

点击终端，输入神秘代码：

yolo cfg=ultralytics/cfg/

​

9、预测

新建一个,复制粘贴，需改.pt文件和预测集图片位置 .pt文件改你训练出的

from ultralytics import YOLO
import os


def predict_and_save_images_in_folder(model_path, input_folder, output_folder, prefix="test_"):
    """
    使用 YOLOv10 模型处理输入文件夹中的所有图片，并将结果以 'prefix' 前缀的形式保存到指定的输出文件夹。

    :param model_path: 模型权重文件的路径
    :param input_folder: 输入文件夹的路径
    :param output_folder: 输出文件夹的路径
    :param prefix: 添加到新文件名前的前缀，默认为'test_'
    """
    # 加载模型
    model = YOLO(model_path)

    # 遍历输入文件夹中的所有图片文件
    for filename in (input_folder):
        if ().endswith(('.png', '.jpg', '.jpeg', '.bmp', '.gif')):
            input_image_path = (input_folder, filename)

            # 进行预测
            results = (source=input_image_path)

            # 获取文件名和扩展名
            base_name = ((input_image_path))
            new_file_name = f"{prefix}{base_name[0]}{base_name[1]}"

            # 构建新文件的完整路径
            new_file_path = (output_folder, new_file_name)

            # 确保输出文件夹存在
            (output_folder, exist_ok=True)

            # 保存结果图像到新文件名
            results[0].save(new_file_path)

            print(f"Image saved with the new name {new_file_name} in {output_folder}.")


# 示例使用
model_path = r"D:\boat\ultralytics-mainv8\"  # 替换为你的模型权重路径
input_folder = r"D:\boat\ultralytics-mainv8\bot\Image"  # 替换为你的预测集文件夹路径
output_folder = r"D:\boat\ultralytics-mainv8\bot\test_Image"  # 替换为你希望保存输出图像的文件夹路径

predict_and_save_images_in_folder(model_path, input_folder, output_folder)

9、跟踪（视频）

修改.pt权重文件，source为你视频文件

yolo track model=D:\boat\ultralytics-mainv8\ source=D:\boat\ultralytics-mainv8\bot\Video\1.mp4 tracker=

大功告成，觉得好的就点点赞，点点收藏，如有什么错误或者建议麻烦指出（字码错了也可以说，毕竟经常这样），谢谢

​​

相关文章