YOLOv10是由清华大学的研究人员开发的一系列YOLO模型的最新成员。截至2024年5月，YOLOv10在对象检测领域代表了最先进的技术，与之前的YOLO模型相比，它在保持相似准确度的同时，实现了更低的延迟和更少的参数。在性能方面，YOLOv10的论文指出：“YOLOv10-S在COCO数据集上与RT-DETR-R18相比，在相似的AP下速度提高了1.8倍，同时参数数量和FLOPs减少了2.8倍。与YOLOv9-C相比，YOLOv10-B在保持相同性能的同时，延迟减少了46%，参数减少了25%。”
要开始使用YOLOv10，需要从源代码安装模型。YOLOv10没有官方的Python包，因此将从源代码安装模型。创建了一个Colab笔记本，其中包含了按照本指南操作所需的所有步骤。要安装模型，请运行以下命令：
!pip install -q git+https://github.com/THU-MIG/yolov10.git
然后，需要下载模型权重以与模型一起使用。可以使用以下命令来实现：
!mkdir -p {HOME}/weights
!wget -P {HOME}/weights -q https://github.com/jameslahm/yolov10/releases/download/v1.0/yolov10n.pt
!wget -P {HOME}/weights -q https://github.com/jameslahm/yolov10/releases/download/v1.0/yolov10s.pt
!wget -P {HOME}/weights -q https://github.com/jameslahm/yolov10/releases/download/v1.0/yolov10m.pt
!wget -P {HOME}/weights -q https://github.com/jameslahm/yolov10/releases/download/v1.0/yolov10b.pt
!wget -P {HOME}/weights -q https://github.com/jameslahm/yolov10/releases/download/v1.0/yolov10x.pt
!wget -P {HOME}/weights -q https://github.com/jameslahm/yolov10/releases/download/v1.0/yolov10l.pt
!ls -lh {HOME}/weights
这些权重是使用Microsoft COCO数据集训练的。YOLOv10基于Ultralytics的模型代码，并包含了他们代码的分支用于推理。因此，将在本指南中看到来自ultralytics的导入，这些导入使用了之前通过pip安装的YOLOv10仓库中包含的自定义ultralytics代码库。不需要运行任何额外的命令来使用这个分支代码。
模型安装和权重准备就绪后，下一步是准备用于训练的数据集。如果还没有数据集，可以在Roboflow Universe上找到超过250,000个公共数据集，用于训练模型。对于本指南，将在Roboflow Universe上可用的足球运动员检测数据集上训练模型。如果已经有标记好的数据，请确保数据是YOLOv8 PyTorch TXT格式，这是YOLOv10使用的格式。可以使用Roboflow将数据转换为YOLOv8 PyTorch TXT格式。了解如何转换数据。
要从Universe下载数据集，可以使用以下代码：
!mkdir {HOME}/datasets
%cd {HOME}/datasets
!pip install -q roboflow
from roboflow import Roboflow
ROBOFLOW_API_KEY = “”
rf = Roboflow(api_key=ROBOFLOW_API_KEY)
project = rf.workspace("roboflow-jvuqo").project("football-players-detection-3zvbc")
dataset = project.version(1).download("yolov8")
在上面的代码中，用Roboflow API密钥替换ROBOFLOW_API_KEY，用Roboflow工作区ID替换"Roboflow-jvuqo"，用Roboflow模型ID替换"Football-players-detection-3zvbc"，用Roboflow模型版本ID替换1。了解如何获取Roboflow API密钥。了解如何获取Roboflow工作区和模型ID。这段代码将下载用于训练模型的数据集。
有了准备好的数据集，可以开始训练模型。为此，可以使用随YOLOv10源代码提供的YOLO命令行界面：
%cd {HOME}
!yolo task=detect mode=train epochs=25 batch=32 plots=True \
model={HOME}/weights/yolov10n.pt \
data={dataset.location}/data.yaml
在上面的命令中，使用自定义数据集启动了一个25个周期的训练作业。当运行此代码时，将看到命令行的长输出，并且训练将开始。可以在模型训练时监控训练作业的性能。模型在25个周期上达到了62%的mAP。建议训练100个周期以获得最佳性能。在上面为了测试目的训练了25个周期。
可以使用模型训练完成后生成的评估图来评估模型。让查看混淆矩阵：
%cd {HOME}
Image(filename=f'{HOME}/runs/detect/train/confusion_matrix.png', width=600)
这是数据集的混淆矩阵。还可以使用训练图来分析模型训练：
%cd {HOME}
Image(filename=f'{HOME}/runs/detect/train/results.png', width=600)
从上面的训练图中可以清楚地看出，模型在继续减少损失。25个周期太早停止训练作业了，因为模型没有足够的机会收敛。因此，建议训练100个周期以获得最佳性能。