يعمل YOLOv10 على تحسين الأداء والكفاءة، وهو أفضل ممارسة لخوارزمية اكتشاف الهدف!

هذا البرنامج التعليمي هو برنامج تعليمي لتطبيق Gradio لـ YOLOv10.

مقدمة

تُعد سلسلة YOLO (You Only Look Once) حاليًا خوارزمية الكشف عن الكائنات على جانب الحافة الأكثر شيوعًا. تم اقتراحه لأول مرة من قبل جوزيف ريدمون وآخرين. لقد أصبح معيارًا في مجال اكتشاف الكائنات في الوقت الفعلي لأنه يحقق توازنًا فعالًا بين التكلفة الحسابية وأداء الكشف. مع مرور الوقت، تم تطوير وتحسين سلسلة خوارزميات YOLO بشكل مستمر، وتم إصدار إصدارات متعددة. وقد حقق كل إصدار تقدمًا كبيرًا في تصميم البنية التحتية وأهداف التحسين واستراتيجيات تحسين البيانات وما إلى ذلك.

YOLOv10 هي طريقة اكتشاف هدف في الوقت الفعلي تم تطويرها بواسطة باحثين من جامعة تسينغهوا استنادًا إلى حزمة Ultralytics Python، والتي تهدف إلى معالجة أوجه القصور في إصدارات YOLO السابقة في مرحلة ما بعد المعالجة وهندسة النموذج. من خلال القضاء على القمع غير الأقصى (NMS) وتحسين مكونات النموذج المختلفة، يحقق YOLOv10 أداءً متطورًا مع تقليل النفقات الحسابية بشكل كبير. نشر فريق البحث ورقة بحثية YOLOv10: الكشف عن الكائنات من البداية إلى النهاية في الوقت الفعليتم شرح إطار الدراسة بالتفصيل.

تتضمن الميزات الرئيسية لـ YOLOv10 ما يلي:

• التدريب بدون نظام إدارة الشبكة: الاستفادة من التعيين المزدوج المتسق للقضاء على الحاجة إلى نظام إدارة الشبكة، وبالتالي تقليل زمن انتقال الاستدلال.
• تصميم النموذج الشامل: تم تحسين المكونات المختلفة بشكل شامل من منظور الكفاءة والدقة، بما في ذلك رأس التصنيف خفيف الوزن، وفصل القناة المكانية عن طريق أخذ العينات، وتصميم الكتلة الموجهة بالرتبة.
• قدرات النموذج المحسنة: يؤدي دمج التفاف النواة الكبير ووحدات الاهتمام الذاتي الجزئية إلى تحسين الأداء دون إضافة تكلفة حسابية كبيرة.

عرض التأثير

كيفية الركض

1. بعد استنساخ الحاوية، انتظر حتى يقوم النظام بتخصيص الموارد

2. إجراء الكشف عن الصورة