YOLOv10训练自己的数据集

目录

0、引言

1、环境配置

2、数据集准备

3、创建配置文件

3.1、设置官方配置文件：default.yaml，可自行修改。

3.2、设置data.yaml

4、进行训练

4.1、方法一

4.2、方法二

5、验证模型

5.1、命令行输入

5.2、脚本运行

6、总结

---

0、引言

本文是使用YOLOv10训练自己的数据集，数据集包含COCO数据集的人猫狗数据以及自己制作的人猫狗数据集，类别为0:person、1:cat、2:dog三类，大家可根据自己的数据集类别进行调整。

1、环境配置

打开Anaconda3终端，进入base环境，创建新环境

conda create -n yolov10 python=3.9conda activate yolov10#cd到yolov10的目录下pip install -r requirements.txt -i  https://pypi.tuna.tsinghua.edu.cn/simple/pip install -e . 

2、数据集准备

YOLOv10的训练数据集格式与YOLOv8相同

mydata______images____________train_________________001.jpg____________val_________________002.jpg______labels____________train_________________001.txt____________val_________________002.txt   

参照这篇博客的数据集准备即可：

YOLOv8-Detect训练CoCo数据集+自己的数据集_yolov8训练coco-CSDN博客

3、创建配置文件

3.1、设置官方配置文件：default.yaml，可自行修改。

3.2、设置data.yaml

根据自己的数据集位置进行修改和配置。

path: D:\Yolov8\ultralytics-main\datasets\mydata  # dataset root dirtrain: images/train  # train images (relative to 'path') 118287 imagesval: images/val  # val images (relative to 'path') 5000 images#test: test-dev2017.txt  # 20288 of 40670 images, submit to https://competitions.codalab.org/competitions/20794 # Classesnames:  0: person  1: cat  2: dognc: 3

4、进行训练

上述步骤完成后，即可开始训练。

4.1、方法一

通过命令直接进行训练在其中指定参数，命令如下:

data.yaml根据实际路径而来

yolo detect train model=yolov10s.yaml data=data.yaml batch=16 epochs=100 imgsz=640

yolo detect train model=yolov10s.pt data=data.yaml batch=16 epochs=100 imgsz=640

4.2、方法二

通过创建py文件来进行训练

from ultralytics import YOLOv10#数据集配置文件data_yaml_path = r'D:\Yolov10\yolov10-main\yolov10-detect\data.yaml'#预训练模型pre_model_name = r'D:\Yolov10\yolov10-main\yolov10-detect\yolov10s.pt'if __name__ == '__main__':    #加载预训练模型    model = YOLOv10(pre_model_name)    #训练生成的文件保存路径名    savename = 'train_yolov10s'    #训练模型    results = model.train(data=data_yaml_path,                          epochs=10,                          name=savename)

也可以使用yaml文件

from ultralytics import YOLOv10#数据集配置文件data_yaml_path = r'D:\Yolov10\yolov10-main\yolov10-detect\data.yaml'#预训练模型pre_model_name = r'D:\Yolov10\yolov10-main\ultralytics\cfg\models\v10\yolov10s.yaml'if __name__ == '__main__':    #加载预训练模型    model = YOLOv10(pre_model_name)    #训练生成的文件保存路径名    savename = 'train_yolov10s'    #训练模型    results = model.train(data=data_yaml_path,                          epochs=10,                          name=savename)

注意修改类

训练过程（我这里后面多加了一类所以是4）：

训练过程中会保存以下内容，最后得到两个模型分别是：best.pt、last.pt

5、验证模型

训练进程完毕以后可使用一些验证数据进行模型验证，查看模型的识别效果。

5.1、命令行输入

yolo predict model=best.pt source='D:\Yolov10\yolov10-main\yolov10-detect\Testsets\test1'

5.2、脚本运行

from ultralytics import YOLOv10import globimport osimport numpy as npimport cv2classes = {    0: 'person', 1: 'cat', 2: 'dog', 3: 'backpack'}class Colors:    """Ultralytics color palette https://ultralytics.com/."""    def __init__(self):        """Initialize colors as hex = matplotlib.colors.TABLEAU_COLORS.values()."""        hexs = ('FF3838', 'FF9D97', 'FF701F', 'FFB21D', 'CFD231', '48F90A', '92CC17', '3DDB86', '1A9334', '00D4BB',                '2C99A8', '00C2FF', '344593', '6473FF', '0018EC', '8438FF', '520085', 'CB38FF', 'FF95C8', 'FF37C7')        self.palette = [self.hex2rgb(f'#{c}') for c in hexs]        # print(self.palette)        self.n = len(self.palette)    def __call__(self, i, bgr=False):        """Converts hex color codes to rgb values."""        c = self.palette[int(i) % self.n]        return (c[2], c[1], c[0]) if bgr else c    @staticmethod    def hex2rgb(h):  # rgb order (PIL)        return tuple(int(h[1 + i:1 + i + 2], 16) for i in (0, 2, 4))colors = Colors()  # create instance for 'from utils.plots import colors'#预测的图片路径imgpath = r'D:\Yolov10\yolov10-main\yolov10-detect\Testsets\test1'#模型路径modelpath = r'D:\Yolov10\yolov10-main\yolov10-detect\runs\detect\weights\best.pt'#保存结果的路径save_dir = imgpath + '_Rst'os.makedirs(save_dir,exist_ok=True)model = YOLOv10(modelpath)imgs = glob.glob(os.path.join(imgpath,'*.jpg'))for img in imgs:    imgname = img.split('\')[-1]    frame = cv2.imread(img)    results = model.predict(img)[0]    # results = model(img)    for box in results.boxes:        # print(box)        xyxy = box.xyxy.squeeze().tolist()        x1, y1, x2, y2 = int(xyxy[0]), int(xyxy[1]), int(xyxy[2]), int(xyxy[3])        c, conf = int(box.cls), float(box.conf)        name = classes[c]        color = colors(c, True)        cv2.rectangle(frame, (int(xyxy[0]), int(xyxy[1])), (int(xyxy[2]), int(xyxy[3])), color, thickness=2, lineType=cv2.LINE_AA)        cv2.putText(frame, f"{name}: {conf:.2f}", (x1, y1 - 10), cv2.FONT_HERSHEY_SIMPLEX, 1, color,                    2)    # cv2.imshow('image', frame)    # cv2.waitKey(0)    cv2.imwrite(save_dir+'\'+imgname,frame)

6、总结

至此，整个YOLOv10的训练预测阶段完成，与YOLOv8差不多。

欢迎各位批评指正。