yolov10对于大目标的效果好，小目标不好

一、如果你训练过yolov5，yolov8，的话那么你可以直接用之前的环境就行

目录

一、如果你训练过yolov5，yolov8，的话那么你可以直接用之前的环境就行

二、配置好后就可以配置文件了

三、然后开始训练

推理图片

转化onnx模型

---

具体你可以看我另一篇的文章，yolov5-7.0实现训练推理以及C#部署onnx-CSDN博客

我这是配置的cuda  调用GPU的版本，下载可以再我的博文里下载 

cuda各个版本的Pytorch下载网页版，模型转化工具，免费gpt链接_cuda国内镜像下载网站-CSDN博客

安装的教程可以直接再网上搜索既可以了

二、配置好后就可以配置文件了

下载源码 GitHub - THU-MIG/yolov10: YOLOv10: Real-Time End-to-End Object Detection

建议你手动下载预训练模型，和在命令行中运行训练，因为你用右键run有可能直接下载 v8的预训练模型。

下载预训练模型 Https://github.com/jameslahm/yolov10/releases/download/v1.0/yolov10s.pt

最小模型是N  最大模型是X  区别就是，越小的就越快，精度相对的会低一点点，越大的就越慢，精度会高一点，建议用S和M的比较中和，设备不行的就用N

   用labelimg标注后这种放，和yolov5一样，coco数据集

然后再目录中创建一个data文件夹，再其中创建一个data.yaml的文件

然后配置数据集读取路径

三、然后开始训练

你可以在目录中创建三个文件，detect.py,export.py,train.py文件像这样

填入代码

train.py

from ultralytics import YOLOv10

model_yaml_path = "ultralytics/cfg/models/v10/yolov10s.yaml"
#数据集配置文件
data_yaml_path = 'data/data.yaml'
#预训练模型
pre_model_name = 'yolov10s.pt'

if __name__ == '__main__':
    #加载预训练模型
    model = YOLOv10(model_yaml_path).load(pre_model_name)
    #训练模型
    results = model.train(data=data_yaml_path,
                          epochs=150,
                          batch=4,
                          name='train/exp')

打开v10算法代码文件夹的根目录  在路径中写cmd回车 

进入这里，查看你的环境

用代码

conda activate 你的环境名

然后就进入了

直接运行   --cache 是用你的磁盘跑，如果电脑不牛逼  加上这个 可以提升速度

python train.py --cache

然后就可以运行了

四、推理图片

打开刚刚创建的detect.py文件 添加代码 就可以推理了

from ultralytics import YOLOv10
import argparse
import glob
import matplotlib.pyplot as plt
import matplotlib.image as mpimg

model_path = r"H:\\DL\\yolov10-main\\runs\\detect\\train\\exp\\weights\\best.pt"
model = YOLOv10(model_path,names='exp')
results = model(source=r'H:\DL\yolov10-main\dataDakeset\CCD_dataBlue25\test',

                conf=0.45,
                save=True)

五、转化onnx模型

打开刚刚创建的export.py 文件 添加代码

from ultralytics import YOLOv10
model=YOLOv10("H:\\DL\\yolov10-main\\runs\\detect\\train\\exp\\weights\\best.pt")

model.export(format='onnx')

自此yolov10python的训练推理转化流程全部结束，有问题可以评论区问或者私信