YOLOv10 はパフォーマンスと効率が 2 倍向上しており、ターゲット検出アルゴリズムのベスト プラクティスです。

このチュートリアルは、YOLOv10 のグラデーション アプリケーション チュートリアルです。

導入

YOLO (You Only Look Once) シリーズは、現在最も主流のエンドサイドターゲット検出アルゴリズムであり、Joseph Redmon らによって最初に提案され、計算コストと検出パフォーマンスの効果的なバランスを実現しているため、世界のベンチマークとなっています。リアルタイム物体検出の分野。時間の経過とともに、YOLO シリーズのアルゴリズムは継続的に開発および改善され、複数のバージョンがリリースされ、アーキテクチャ設計、最適化目標、データ強化戦略などにおいて大きな進歩を遂げてきました。

YOLOv10 は、Ultralytics Python パッケージに基づいて清華大学の研究者によって開発されたリアルタイム ターゲット検出手法であり、後処理とモデル アーキテクチャにおける以前の YOLO バージョンの欠点を解決することを目的としています。非最大抑制 (NMS) を排除し、さまざまなモデル コンポーネントを最適化することで、YOLOv10 は計算オーバーヘッドを大幅に削減しながら、最先端のパフォーマンスを実現します。研究チームが論文を発表 「YOLOv10: リアルタイムのエンドツーエンドの物体検出」研究のアーキテクチャが詳細に説明されています。

YOLOv10 の主な機能は次のとおりです。

• NMS フリーのトレーニング: 一貫したデュアル割り当てを活用して NMS の必要性を排除し、推論遅延を削減します。
• 全体的なモデル設計: 軽量分類ヘッド、空間チャネル デカップリング ダウンサンプリング、階層ガイド ブロック設計など、さまざまなコンポーネントが効率と精度の観点から完全に最適化されています。
• モデル機能の強化: 大規模なカーネル畳み込みモジュールと部分的なセルフアテンション モジュールを組み込むことで、大幅な計算コストを追加することなくパフォーマンスが向上します。

エフェクト表示

実行メソッド

1. コンテナのクローンを作成した後、システムがリソースを割り当てるのを待ちます。

2. 画像検出を実行する