论文题目：YOLOv10: Real-Time End-to-End Object Detection
研究单位：清华大学
论文链接：http://arxiv.org/abs/2405.14458
代码链接：https://github.com/THU-MIG/yolov10

作者提供的模型性能评价图，如下：

Model	Test Size	#Params	FLOPs	APval	Latency
YOLOv10-N	640	2.3M	6.7G	38.5%	1.84ms
YOLOv10-S	640	7.2M	21.6G	46.3%	2.49ms
YOLOv10-M	640	15.4M	59.1G	51.1%	4.74ms
YOLOv10-B	640	19.1M	92.0G	52.5%	5.74ms
YOLOv10-L	640	24.4M	120.3G	53.2%	7.28ms
YOLOv10-X	640	29.5M	160.4G	54.4%	10.70ms

YOLOv10-N:https://github.com/jameslahm/yolov10/releases/download/v1.0/yolov10n.pt
YOLOv10-S:https://github.com/jameslahm/yolov10/releases/download/v1.0/yolov10s.pt
YOLOv10-M:https://github.com/jameslahm/yolov10/releases/download/v1.0/yolov10m.pt
YOLOv10-B:https://github.com/jameslahm/yolov10/releases/download/v1.0/yolov10b.pt
YOLOv10-L:https://github.com/jameslahm/yolov10/releases/download/v1.0/yolov10l.pt
YOLOv10-X:https://github.com/jameslahm/yolov10/releases/download/v1.0/yolov10x.pt

总结：从结果上看，模型延迟方面有较大的提升，相对于参数来说，AP提升相比最先进的v9较为微小，简单来说就是模型更适合端侧部署，因为推理延迟时间低。

！！！重要说明：YOLOv10的代码参考ultralytics （YOLOv8）and RT-DETR，很多命令都可以复用ultralytics （YOLOv8）的。

---

一、环境配置

测试平台：Ubuntu18.04 x64，编译语言：Python3.9

• （1）克隆YOLOv10项目地址：

git clone https://github.com/THU-MIG/yolov10.git

• （2）安装环境【可不看】
  如果之前配置过YOLOv8等其他环境可以略过下面内容，因为这些包基本都差不多，后面训练的时候出问题再pip安装也是可以的。

conda create -n yolov10 python=3.9
conda activate yolov10
cd yolov10
pip install -r requirements.txt

• （3）编译
  如果读者已经进入yolov10的目录下可以略过第一行的进行目录命令（cd yolov10）

cd yolov10
pip install -e . -i https://pypi.tuna.tsinghua.edu.cn/simple

  YOLOv10延续了YOLOv8的方式，将项目封装成命令的方式进行训练和测试等操作，因此如果顺利运行完会提示：

  至此，yolov10的项目安装编译完毕。

---

二、模型训练

  训练模型的话直接用命令行就可以了，这里以coco数据集（官网是要求数据集放在../datasets/coco文件夹下，如果改位置，可以修改coco.yaml的path变量）为例。

yolo detect train data=coco.yaml model=yolov10s.yaml epochs=500 batch=256 imgsz=640 device=0,1

device：设备id，如果只有一张显卡，则device=0，如果有两张，则device=0,1，依次类推。
imgsz：图像放缩大小resize，默认是640，如果资源不够可以设置为320试试。

  笔者自己测试了一下yolov10s，需要21.2GB的显存，yolov10n需要16GB左右，其他的模型由于设备资源有限，没有进行尝试。

---

三、模型测试

• COCO2017数据集AP验证，命令如下：

yolo val model=yolov10s.pt data=coco.yaml batch=256

• 模型推理测试（（默认读取yolov10/ultralytics/assets文件夹下的所有图像）

yolo predict model=yolov10s.pt 

  如果测试别的路径下的文件可以在上面命令后面加上source='xxx/bus.jpg'，下述命令跟yolo predict相关的都可以在后面加上改参数。

  推理结果如下：


  总结：YOLOv10s的检测效果还是可圈可点的，连左上角的交通标志牌都识别到了，推理时间也比较快。

---

四、ONNXRUNTIME测试

说明：本节测试需要提前安装onnx和onnxruntime。

• （1）模型转换

yolo export model=yolov10s.pt format=onnx opset=13 simplify

  运行后会在yolov10s.pt文件存放路径下生成一个yolov10s.onnx的ONNX模型文件。

• （2）模型推理测试（（默认读取yolov10/ultralytics/assets文件夹下的所有图像）

yolo predict model=yolov10s.pt

  推理结果如下：


  总结：左上角的交通标志检测不到了，而且速度还慢了，不知道是不是没有用gpu的原因。

---

五、TensorRT测试

  TensorRT加速推理（需要使用NVIDIA的显卡或者嵌入式设备系列Jetson），而且需要根据自身需求指定对应的模型路径，这里以项目目录下的yolov10s.pt为例。 本节测试需要提前安装Tensorrt（如果没装，可以直接看下面问题，有说明安装方式）。

• （1）模型转换

  方式一：使用项目命令进行转换（笔者使用）

yolo export model=yolov10s.pt format=engine half=True simplify opset=13 workspace=16

  转换成功结果如下：

  方式二：使用TensorRT命令行形式进行转换

trtexec --onnx=yolov10s.onnx --saveEngine=yolov10s.engine --fp16

• （1）模型推理

# Predict with TensorRT
yolo predict model=yolov10s.engine

  推理结果如下（默认读取yolov10/ultralytics/assets文件夹下的所有图像）：

  推理结果如下：
  总结：整体来说，推理时间比PT模型和ONNX模型推理还快不少。

• （3）问题：如果在运行Tensorrt模型生成时出现错误，大概率是在转为INT32时出现了问题，标志为：onnx2trt_utils.cpp:369: Your ONNX model has been generated with INT64 weights ，如果后面提示操作有问题，就是因为Tensorrt版本的问题，YOLOv10很多算子操作都需要tensorrt > 8.5.2.1 ，所以如果不是对应版本的话就会报某些算子不支持操作，如：
  
  如果是因为TensorRT版本的问题，那就要去NVIDIA官网下载对应的TensorRT安装包进行安装，笔者在Ubuntu x64上选择v8.6.1进行安装。
  TensorRT下载地址如下：https://developer.nvidia.com/nvidia-tensorrt-8x-download

  注意要安装TAR压缩包进行编译才有效，下载TAR包后，进行解压，命令如下（记得将命令改成读者自己的文件名称和路径）：

tar -xvf TensorRT-8.6.1.6.Linux.x86_64-gnu.cuda-11.8.tar.gz

  然后，在~/.bashrc文件下设置环境变量

export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/xxx/TensorRT-8.6.1.2/lib
export PATH=$PATH:/xxx/TensorRT-8.6.1.2/bin

  最后，如果想安装python版的tensorrt可以运行如下命令：

cd TensorRT-8.6.1.2/python
pip install tensorrt-8.6.1.2-cp39-none-linux_x86_64.whl

六、总结

  YOLOv10比最先进的YOLOv9延迟时间更低，测试结果可以与YOLOv9媲美，可能会成为YOLO系列模型部署的“新宠”。

七、参考

[1] https://github.com/ultralytics/ultralytics/issues/9962