自动驾驶数据集 yolo（自动驾驶数据集搭建）



导读

本文主要介绍如何使用YOLOv10在自定义数据集训练实现车牌检测 (数据集+训练+预测 保姆级教程)。

YOLOv10简介

YOLOv10是清华大学研究人员在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在降低计算像素数的同时实现了相当的性能。大量实验证明，YOLOv10在多个模型上实现了卓越的精度-延迟权衡。

概述

实时目标检测旨在优先延迟准确的预测图像中的物体类别和位置。YOLO 系列在性能和效率之间取得了平衡，因此一直处于较低水平。然而，对 NMS 的依赖和架构的低效阻碍了性能的实现。YOLOv10 通过为无 NMS 训练引入了一致的双重分配并以提高准确性为导向的核心模型设计策略，解决了答案。

网络架构

YOLOv10 的结构建立在以前YOLO模型的基础上，同时引入了几项关键创新。模型架构由以下部分组成：

主要功能

模型支持：

YOLOv10有多种模型，可满足不同的应用需求：

特性

在准确性和效率方面，YOLOv10 优于YOLO 以前的版本和其他模型。例如，在 COCO 数据集上，YOLOv10-S 的速度是 RT-DETR-R18 的 1.8 倍，而 YOLOv10-B 与 YOLOv9-C 相比，在性能相同的条件下，延迟浏览器打开 46%，参数浏览器打开 25%。下图是使用 TensorRT FP16 在 T4 GPU 上的测试结果：

实验和结果

YOLOv10 在 COCO 等标准基准上进行了广泛测试，证明了卓越的性能和准确性。与先前的版本和其他当代版本相比，YOLOv10 在延迟和准确性方面都有显著提高。

YOLOv10自定义数据集训练

【1】准备数据集。数据集标注使用LabelImg，具体使用和标注可参考下面文章：

这里直接给出数据集，大家可以自行下载：

数据集包含300张图片样本，训练集210张，验证集60张，测试集30张。

类别只有1类，所以序号都为0。

【2】配置训练环境。

① 下载yoloV10项目：

② 解压后切换到yoloV10目录下，安装依赖项：

③ 下载预训练模型：

【3】模型训练：

custom_data.yaml配置如下：

【4】 模型推理：

图片推理：

视频推理：

版权声明：

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若内容造成侵权、违法违规、事实不符，请将相关资料发送至xkadmin@xkablog.com进行投诉反馈，一经查实，立即处理！

转载请注明出处，原文链接：https://www.xkablog.com/sjkxydsj/77809.html