YOLOv10 verbessert sowohl die Leistung als auch die Effizienz, die beste Vorgehensweise für Objekterkennungsalgorithmen!

Dieses Tutorial ist ein Gradio-Anwendungstutorial für YOLOv10.

Einführung

Die YOLO-Reihe (You Only Look Once) ist derzeit der gängigste Algorithmus zur Objekterkennung auf der Kantenseite. Es wurde erstmals von Joseph Redmon und anderen vorgeschlagen. Es ist zu einem Maßstab im Bereich der Echtzeit-Objekterkennung geworden, da es ein effektives Gleichgewicht zwischen Rechenaufwand und Erkennungsleistung erreicht. Im Laufe der Zeit wurde die Algorithmenreihe von YOLO kontinuierlich weiterentwickelt und verbessert und es wurden mehrere Versionen veröffentlicht. In jeder Version wurden erhebliche Fortschritte im Architekturdesign, bei Optimierungszielen, Strategien zur Datenverbesserung usw. erzielt.

YOLOv10 ist eine von Forschern der Tsinghua-Universität entwickelte Methode zur Echtzeit-Zielerkennung auf Basis des Python-Pakets Ultralytics, die die Mängel früherer YOLO-Versionen bei der Nachbearbeitung und Modellarchitektur beheben soll. Durch die Beseitigung der Nicht-Maximum-Unterdrückung (NMS) und die Optimierung verschiedener Modellkomponenten erreicht YOLOv10 eine Leistung auf dem neuesten Stand der Technik und reduziert gleichzeitig den Rechenaufwand erheblich. Das Forschungsteam veröffentlichte ein Papier „YOLOv10: End-to-End-Objekterkennung in Echtzeit“Der Studienablauf wird ausführlich erläutert.

Zu den Hauptfunktionen von YOLOv10 gehören:

• NMS-freies Training: Nutzen Sie die konsistente doppelte Zuweisung, um die Notwendigkeit von NMS zu eliminieren und so die Inferenzlatenz zu reduzieren.
• Ganzheitliches Modelldesign: Verschiedene Komponenten werden unter den Gesichtspunkten Effizienz und Genauigkeit umfassend optimiert, darunter ein leichter Klassifizierungskopf, Downsampling mit räumlicher Kanalentkopplung und ein ranggesteuertes Blockdesign.
• Verbesserte Modellfunktionen: Die Einbindung großer Kernel-Faltungs- und teilweiser Selbstaufmerksamkeitsmodule verbessert die Leistung ohne nennenswerte zusätzliche Rechenkosten.

Effektanzeige

Wie man läuft

1. Warten Sie nach dem Klonen des Containers, bis das System Ressourcen zuweist

2. Bilderkennung durchführen