爱游戏-YOLOv10：SOTA 实时物体检测

[导读]YOLO(You Only Look Once)是一种基在深度神经收集的物体检测算法，旨在及时辨认和定位图象或视频中的多个物体。YOLO 以其快速的处置速度和高精度而著名，很是合适需要快速检测物体的利用，例照实时视频阐发、主动驾驶和智能医疗。 5 月 23 日，清华年夜学发布了YOLOv10(You Only Look Once v10)，与 YOLOv9 比拟，YOLOv10 有了显著改良，在机能连结不变的环境下，延迟削减了 46%，参数削减了 25%。 2. YOLOv10 视觉物体检测：概述 2.1 甚么是 YOLO? YOLO(You Only Look Once)是一种基在深度神经收集的物体检测算法，旨在及时辨认和定位图象或视频中的多个物体。YOLO 以其快速的处置速度和高精度而著名，很是合适需要快速检测物体的利用，例照实时视频阐发、主动驾驶和智能医疗。 在 YOLO 之前，主流算法是 R-CNN，这是一种“两阶段”方式：起首，生成锚框，然后猜测这些框中的物体。YOLO 经由过程答应“一阶段”直接、端到端输出物体和其位置，完全改变了这一近况。 · 单阶段算法：这些模子履行直接回归使命以输出对象几率和其坐标。示例包罗 SSD、YOLO 和 MTCNN。 · 两阶段算法： 起首生成多个锚框，然后利用卷积神经收集输出这些框内物体的几率和坐标。例如 R-CNN 系列。 2.2 YOLO的收集布局 YOLOv10是YOLOv8的加强，我们先简单看一下YOLOv8的收集布局： 3.YOLOv10 视觉物体检测：练习和推理 3.1 安装YOLOv10 3.1.1 克隆存储库 起首从 GitHub 克隆 YOLOv10 存储库： git clone https://github.com/THU-MIG/yolov10.git 3.1.2 建立 Conda 情况 接下来，专门为 YOLOv10 建立一个新的 Conda 情况并激活它： conda create -n yolov10 python=3.10 conda activate yolov10 3.1.3 下载并编译依靠包 为了安装所需的依靠项，建议利用腾讯pip镜像以更快地下载： pip install -r requirements.txt -i https://mirrors.cloud.tencent.com/pypi/simple pip install -e . -i https://mirrors.cloud.tencent.com/pypi/simple 3.2 利用 YOLOv10 进行模子推理 3.2.1 模子下载 要最先利用 YOLOv10，我们可使用以下链接下载预先练习的模子： · YOLOv10-N · YOLOv10-S · YOLOv10-M · YOLOv10-B · YOLOv10-L · YOLOv10-X 3.2.2 WebUI 揣度 要利用 WebUI 履行推理，请依照以下步调操作： 导航到 YOLOv10 项目标根目次。运行以下号令启动该利用法式： python app.py 一旦办事器成功启动，我们将看到一条动静，注解利用法式正在运行并可供利用。 3.2.3 号令行揣度 对号令行推理，我们可以在 Conda 情况中利用 Yolo 号令。设置和履行方式以下： 激活 YOLOv10 Conda 情况：确保我们已激活之前为 YOLOv10 建立的情况。 conda activate yolov10 利用号令交运行推理：利用yolo predict号令进行猜测。我们需要指定模子、装备和源图象路径，以下所示： yolo predict model=yolov10n.pt device=2 source=/aigc_dev/yolov10/ultralytics/assets · model：指定下载的模子文件的路径(例如，yolov10n.pt)。 · device：指定利用哪一个 GPU(例如，device=2 暗示 GPU #2)。 · source：指定要检测对象的图象的路径。 默许路径和成果： · 默许环境下，需要检测的图象应当放在yolov10/ultralytics/assets目次中。 · 检测后，成果将保留在名为yolov10/runs/detect/predictxx的目次中，此中xx代表每次运行的独一标识符。 CoCo 数据集上的基准测试。 3.3 练习YOLOv10模子 除推理以外，YOLOv10 还撑持在自界说数据集长进行练习。以下是利用号令行练习模子的方式： 要利用 YOLOv10 最先练习，请利用以下号令： yolo detect train data=coco.yaml model=yolov10s.yaml epochs=100 batch=128 imgsz=640 device=2 以下是号令选项的细分： · detect train：这指定我们想要履行对象检测的练习。 · data=coco.yaml：指定命据集设置装备摆设文件，默许数据集(COCO)下载并寄存在此../datasets/coco目次下。 · model=yolov10s.yaml：指定要练习的模子的设置装备摆设文件。 · epochs=100：设置练习迭代次数(epoch)。 · batch=128：指定练习的批次巨细，即每一个练习步调处置的图象数目。 · imgsz=640：暗示练习时代所有输入图象将调剂到的图象巨细。 · device=2：指定利用哪一个 GPU 进行练习(例如，device=2GPU #2)。 示例注释 假定你已准确设置了 YOLOv10 情况和数据集，运行上述号令将在指定的GPU上启动练习进程。该模子将以 128 的批巨细进行 100 个 epoch 的练习，输入图象的巨细将调剂为 640x640 像素。 练习 YOLOv10 的步调 预备数据集 · 确保我们的数据集在 coco.yaml 文件(或我们本身的自界说数据集设置装备摆设文件)中格局准确且描写准确。 · 数据集设置装备摆设文件包罗练习和验证数据的路径和种别的数目。 设置装备摆设模子 · 模子设置装备摆设文件(例如，yolov10s.yaml)包括我们正在练习的 YOLOv10 变体特定设置，包罗架构和初始权重。 运行练习号令 · 利用上面供给的号令最先练习进程。按照我们的硬件能力和练习要求调剂 epoch江南体育s、batch、imgsz 和 device 等参数。 监测和评估 · 在练习时代，假如可用，请经由过程日记或可视化东西监控进度。 · 练习后，在验证集上评估模子机能以确保其合适我们的期望。 利用Yolo10进行及时在线物体检测的Demo案例： Python import cv2 from ultralytics import YOLOv10 model = YOLOv10("yolov10s.pt") cap = cv2.VideoCapture(0) while True: ret, frame = cap.read() if not ret: break results = model.predict(frame) for result in results: boxes = result.boxes for box in boxes: x1,y1,x2,y2 = map(int, box.xyxy[0]) cls = int(box.cls[0]) conf = float(box.conf[0]) cv2.rectangle(frame, (x1, y1), (x2, y2), (255, 0, 0), 2) cv2.putText(frame, f'{model.names[cls]} {conf:.2f}', (x1, y1 - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 0, 0), 2) cv2.imshow('YOLOv10', frame) if cv2.waitKey(1) 0xFF == ord('q'): break cap.release() cv2.destroyAllWindows() 我们可以构建工作站来运行/练习 AI 系统。为了省钱，我们还可以在网上找到 GPU 等便宜组件。

欲知详情，请下载word文档 下载文档

4月12日动静，据媒体报导，清华年夜学初创散布式广度光计较架构，并研制出年夜范围干与-衍射异构集成芯片太极(Taichi)，实现160 TOPS/W的通用智能计较。

要害字： 清华年夜学 芯片

近日有动静称，由马斯克投资的美国航天公司SpaceX雇佣了1022名清华年夜学高才生，在全球各年夜学中名列第一。但经核实发现，该动静其实不属实。

要害字： 马斯克 清华年夜学

NI和清华年夜学机电系合作共建NI虚拟仪器结合立异尝试室，揭牌典礼在清华年夜学西主楼进行。

要害字： ni 清华年夜学