YOLOv10训练自己的数据集（交通标志检测）

FriendshipT FriendshipT 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 2.1k累计阅读 2.2k平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄8年
关注
原创 最新推荐文章于 2025-07-15 17:16:57 发布 2.1k 阅读 AI 写同款· GEO 优化 ›

YOLOv10训练自己的数据集（交通标志检测）

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

前言

相关介绍

  • YOLOv10是由清华大学的研究人员基于Ultralytics Python包构建的，引入了一种实时目标检测的新方法，解决了之前YOLO版本中后处理和模型架构的缺陷。通过消除非最大抑制(NMS)和优化各种模型组件，YOLOv10在显著降低计算开销的同时实现了最先进的性能。大量的实验证明了它在多个模型尺度上的优越的准确性和延迟性权衡。
  • [1] YOLOv10 源代码地址：https://github.com/THU-MIG/yolov10.git
  • [2] YOLOv10 论文地址：https://arxiv.org/abs/2405.14458
    在这里插入图片描述
  • 概述
    实时目标检测的目的是在低延迟的情况下准确预测图像中目标的类别和位置。YOLO系列由于其在性能和效率之间的平衡，一直处于这项研究的前沿。然而，对NMS的依赖和体系结构的低效率阻碍了最佳性能。YOLOv10通过为无nms的训练和整体效率-精度驱动的模型设计策略引入一致的双重任务来解决这些问题。
  • 体系结构
    YOLOv10的架构建立在以前的YOLO模型的优势之上，同时引入了几个关键的创新。模型体系结构由以下组件组成:
    • Backbone：YOLOv10中的主干负责特征提取，使用增强版的CSPNet (Cross Stage Partial Network)来改善梯度流，减少计算冗余。
    • Neck ：颈部的设计目的是将不同尺度的特征聚合在一起，并将它们传递到头部。它包括PAN (Path Aggregation Network)层，用于有效的多尺度特征融合。
    • One-to-Many Head：在训练过程中对每个对象生成多个预测，提供丰富的监督信号，提高学习精度。
    • One-to-One Head： 在推理期间为每个对象生成一个最佳预测，以消除对NMS的需求，从而减少延迟并提高效率。
  • 关键特性
    • NMS-Free Training：利用一致的双重分配来消除对NMS的需求，减少推理延迟。
    • Holistic Model Design：从效率和准确性的角度对各个组件进行全面优化，包括轻量级分类头、空间通道解耦下采样和秩导块设计。
    • Enhanced Model Capabilities：结合了大核卷积和部分自关注模块，在没有显著计算成本的情况下提高了性能。
  • Model Variants（模型变量）：YOLOv10有多种型号，以满足不同的应用需求:
    • YOLOv10-N: 用于资源极度受限环境的Nano版本.
    • YOLOv10-S: Small version 平衡速度和精度.
    • YOLOv10-M: Medium version for general-purpose use（适用于多种不同的目的或用途）.
    • YOLOv10-B: Balanced version with increased width for higher accuracy.
    • YOLOv10-L: Large version for higher accuracy at the cost of increased computational resources.
    • YOLOv10-X: Extra-large version for maximum accuracy and performance.
      在这里插入图片描述

前提条件

实验环境

torch==2.0.1
torchvision==0.15.2
onnx==1.14.0
onnxruntime==1.15.1
pycocotools==2.0.7
PyYAML==6.0.1
scipy==1.13.0
onnxsim==0.4.36
onnxruntime-gpu==1.18.0
gradio==4.31.5
opencv-python==4.9.0.80
psutil==5.9.8
py-cpuinfo==9.0.0
huggingface-hub==0.23.2
safetensors==0.4.3

安装环境

pip install ultralytics
# 或者
pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple # 国内清华源，下载速度更快

在这里插入图片描述

在这里插入图片描述

项目地址

Linux

git clone https://github.com/THU-MIG/yolov10.git

cd yolov10
# conda create -n yolov10 python=3.9
# conda activate yolov10
pip install -r requirements.txt
pip install -e .

Cloning into 'yolov10'...
remote: Enumerating objects: 4583, done.
remote: Counting objects: 100% (4583/4583), done.
remote: Compressing objects: 100% (1270/1270), done.
remote: Total 4583 (delta 2981), reused 4576 (delta 2979), pack-reused 0
Receiving objects: 100% (4583/4583), 23.95 MiB | 1.55 MiB/s, done.
Resolving deltas: 100% (2981/2981), done.

Windows

请到https://github.com/THU-MIG/yolov10.git网站下载源代码zip压缩包。

cd yolov10
# conda create -n yolov10 python=3.9
# conda activate yolov10
pip install -r requirements.txt
pip install -e .

使用YOLOv10训练自己的数据集进行交通标志检测

准备数据

本文所使用数据集免费下载地址：https://download.youkuaiyun.com/download/FriendshipTang/88045378

在这里插入图片描述

进行训练

yolo detect train data=../datasets/Road_Sign_VOC_and_YOLO_datasets/road_sign.yaml model=yolov10n.yaml epochs=100 batch=4 imgsz=640 device=0

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

进行预测

yolo predict model=runs\detect\train4\weights\best.pt source=E:/mytest/datasets/Road_Sign_VOC_and_YOLO_datasets/testset/images

在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

进行验证

yolo detect val data=../datasets/Road_Sign_VOC_and_YOLO_datasets/road_sign.yaml model=runs\detect\train4\weights\best.pt batch=4 imgsz=640 device=0

在这里插入图片描述

参考文献

[1] YOLOv10 源代码地址：https://github.com/THU-MIG/yolov10.git
[2] YOLOv10 论文地址：https://arxiv.org/abs/2405.14458

收录于
YOLO系列

当前文章被收录于：

YOLO系列
155 篇文章 33 人学习

YOLO系列算法是目标检测最常用的算法之一。

订阅专栏 查看详情
人工智能应用

当前文章被收录于：

人工智能应用
68 篇文章 2 人学习

以实战为线索，学习、应用、部署主流人工智能相关算法。

订阅专栏 查看详情
标签
#YOLO #人工智能 #深度学习 #目标检测
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
YOLOv10训练自己的数据集（从代码下载到实例测试） 在Windows10上配置CUDA环境教程YOLOv10是YOLO（You Only Look Once）系列的最新版本，由清华大学的研究人员在Ultralytics Python包的基础上开发完成，并于2024年5月发布。作为一种实时端到端目标检测器，YOLOv10在性能、效率和精度方面均取得了显著提升，是计算机视觉领域的一项重要进展。主要特点无NMS的一致双分配训练策略：YOLOv10引入了无NMS的一致双分配训练策略，结合了一对多和一对一分配策略的优势。 阅读详情

相关推荐

YOLOv10 | 手把手教你利用yolov10训练自己数据集（含环境搭建、参数解析 、数据集查找、模型训练、推理、导出）

本文内含YOLOv10网络结构图 + 各个创新模块手撕结构图 + 训练教程 + 推理教程 + 参数解析 + 环境搭建 + 数据集获取等一些有关YOLOv10的内容！目录一、前言二、整体网络结构图三、空间-通道分离下采样3.1 SCDown介绍3.2 C2fUIB介绍3.3 PSA介绍四、环境搭建五、数据集获取六、模型获取七、模型训练7.1 训练的三种方式7.1.1 方式一7.1.2 方式二（推荐）7.1.3 方式三八、模型验证/测试九、模型推理十、模型输出官方论文地址点击此处即可跳转。

Snu77的博客 3万+

YOLOv5实战中国交通标志识别

在无人驾驶中，交通标志识别是一项重要的任务。YOLOv5是目前流行的非常强悍的目标检测技术。本项目以中国交通标志数据集TT100K为训练对象，采用YOLOv5目标检测方法实现实时交通标志识别。本课程的YOLOv5使用PyTorch版的ultralytics/yolov5，分别在Windows和Ubuntu系统上做中国交通标志识别的项目演示。具体项目过程包括：安装软件环境、安装YOLOv5、TT100K数据集及格式转换、训练集和测试集自动划分、修改配置文件、准备Weights&Biases训练可视化工具、训练网络模型、测试训练出的网络模型和性能统计。本课程会讲述使用Python程序将TT100K数据集的格式转换成PASCAL VOC格式和YOLO格式的方法，并提供相应代码。相关课程：YOLOv8实战中国交通标志识别 _在线视频教程-优快云程序员研修院 

python深度学习项目~交通标志识别：基于YOLOv10的交通标志检测与识别~YOLOv5、YOLOv6、YOLOv7、YOLOv8、YOLOv10、pyqt6 ui界面

YOLOv10是YOLO系列中最新版本，其设计旨在提高目标检测的速度和精度。深度学习架构：相较于前一版本，YOLOv10在网络架构上进行了优化，采用了更深的卷积层和高效的特征提取模块，以提升模型对复杂场景的处理能力。高效的损失函数：YOLOv10使用了改进的损失函数，使得模型在训练时能更快收敛，并且提高了检测精度。数据增强和预处理：引入了丰富的数据增强技术，增强了模型的鲁棒性，尤其在面对光照变化和遮挡等挑战时。

YOLO 1150

Windows版YOLOv4目标检测实战：中国交通标志识别

课程演示环境：Windows10 需要学习Ubuntu系统YOLOv4的同学请前往《YOLOv4目标检测实战：中国交通标志识别》 在自动驾驶中，交通标志识别是一项重要的任务。本项目以中国交通标志数据集TT100K为训练对象，采用YOLOv4目标检测方法实现实时交通标志识别。本课程的YOLOv4使用AlexyAB/darknet，在Windows系统上做项目演示。具体项目过程包括：安装YOLOv4、TT100K标注格式转换成PASCAL VOC格式、训练集和测试集自动划分、修改配置文件、训练网络模型、测试训练出的网络模型、性能统计、先验框聚类分析和NMS（非极大抑制）方法修改。 本课程会讲述使用Python程序将TT100K数据集的格式转换成PASCAL VOC格式和YOLO格式的方法，并提供相应代码。

深度学习目标检测：基于YOLOv10与LISA交通标志数据集的目标检测实现

LISA交通标志数据集是由加州大学洛杉矶分校（UCLA）的智能安全汽车实验室（LISA）开发的，目的是为交通标志识别任务提供一个具有挑战性的标准数据集。该数据集包含了多种类型的交通标志，旨在模拟实际道路环境中的各种情形。多样化的交通标志：数据集中包含了多种不同类型的交通标志，如限速标志、停车标志、禁止通行标志等，适用于多类别目标检测任务。多样的环境背景：数据集的图像涵盖了不同的环境背景和不同的天气条件，增加了目标检测的难度。高质量的标注。

YOLO 344

基于深度学习YOLOv10的交通标志识别系统详解

随着自动驾驶技术的快速发展，交通标志识别系统成为了自动驾驶汽车中不可或缺的一部分。交通标志识别系统能够帮助自动驾驶汽车理解并遵守交通规则，从而提高道路安全性。近年来，深度学习技术在计算机视觉领域取得了显著的进展，尤其是目标检测算法YOLO（You Only Look Once）系列模型，因其高效性和准确性而备受关注。本文将详细介绍基于YOLOv10的交通标志识别系统，包括深度学习模型的构建、UI界面的设计、训练数据集的准备以及完整的代码实现。

YOLO 534

基于YOLOv10的交通标志检测系统（深度学习模型+UI界面+Python代码+训练数据集）

本研究采用YOLOv10深度学习模型进行交通标志的检测与识别，目标是实现对包括儿童、进出城市、路面滑、交通信号等多个类别标志的高效识别。研究中，我们使用了包含多种交通标志的训练数据集，针对每一种标志类型，设计了优化的目标检测策略。通过YOLOv10的优势——即在保证高精度的同时，提供较高的检测速度，我们在多种复杂环境下的标志检测表现出了较强的鲁棒性。

斌擎科技 1131

基于YOLOv10的交通标志检测与UI界面实现

交通标志是道路安全和交通管理的关键元素。传统的交通标志识别方法通常基于规则和图像处理算法，然而随着深度学习技术的进步，基于卷积神经网络（CNN）的目标检测方法，特别是。（德国交通标志数据集）进行模型训练，并最终实现一个用户友好的界面，帮助用户便捷地进行交通标志检测。下载后，您将获得包含多个文件夹的压缩包，其中包含训练集、验证集和测试集的图像数据和标注信息。完成训练后，我们可以使用训练好的模型对新图像进行推理，并显示检测结果。以下是一个基本的UI界面代码，用户可以通过该界面上传图像，查看交通标志检测的结果。

YOLO 524

基于YOLOv10深度学习的交通标志检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）

本项目致力于开发一个基于YOLOv10的交通标志检测系统，旨在通过计算机视觉技术实现对交通标志的高效检测与识别。该系统能够实时处理来自交通监控摄像头的视频流或图片，自动识别并标注出其中的交通标志，为自动驾驶、智能交通系统以及交通管理提供技术支持。

YOLO 1139

TT100K 中国交通标志100类：YOLOv10 + UI界面实现与数据集应用

*TT100K（Traffic sign 100K dataset）**是一个专为交通标志识别设计的大型数据集。它包含100类不同的交通标志，涵盖了限速标志、停车标志、警告标志、指示标志等多个类别。数据集的图像来自于各种道路场景，包括不同的光照、天气条件和拍摄角度，极大地增强了模型的泛化能力。YOLO（You Only Look Once）算法系列自提出以来，已成为目标检测领域的经典算法。YOLOv10是YOLO系列的最新版本，在模型结构、训练策略和推理速度等方面进行了诸多优化。高效性。

YOLO 718

LISA 交通标志识别：YOLOv10 + UI界面实现与数据集应用

LISA（Laboratory for Intelligent and Safe Automobiles）数据集是一个用于交通标志识别的公共数据集，广泛应用于交通标志检测研究中。LISA数据集包含47类交通标志，涵盖了不同的交通标志类别，如限速标志、停车标志、警告标志等。数据规模：包含数千张交通标志图片。数据种类：包括交通标志的种类和多种不同的环境条件，如不同的拍摄角度、光照变化、天气条件等。标注信息：每张图片中包含多个交通标志的边界框标注信息。

YOLO 523

基于深度学习的交通标志检测系统（YOLOv10+YOLO数据集+UI界面+Python项目+模型）

本项目致力于开发一个基于YOLOv10的交通标志检测系统，旨在通过计算机视觉技术实现对交通标志的高效检测与识别。该系统能够实时处理来自交通监控摄像头的视频流或图片，自动识别并标注出其中的交通标志，为自动驾驶、智能交通系统以及交通管理提供技术支持。本项目使用的交通标志数据集包含了多种类型的交通标志，并涵盖了多种交通环境。数据集共包括 83 类交通标志，旨在提供广泛的交通标志分类，以便训练一个具有较强泛化能力的交通标志检测模型。图片检测该功能允许用户通过单张图片进行目标检测。

斌擎科技 1137

TSRD 中国交通标志58类：YOLOv10 + UI界面实现与数据集应用

*TSRD（Traffic Sign Recognition Dataset）**是一个专门用于中国交通标志识别的公开数据集，包含58类交通标志。这个数据集涵盖了各种常见的交通标志类别，包括限速标志、停车标志、警告标志、指示标志等。数据集中的图片包括不同的拍摄角度、光照变化、天气条件等多样化的场景，适合用于训练深度学习模型。YOLO（You Only Look Once）是一种非常高效的目标检测算法，其核心思想是在单次前向传播中完成对图像中所有目标的检测。

YOLO 522

基于深度学习的交通标志检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）

本项目致力于开发一个基于YOLOv10的交通标志检测系统，旨在通过计算机视觉技术实现对交通标志的高效检测与识别。该系统能够实时处理来自交通监控摄像头的视频流或图片，自动识别并标注出其中的交通标志，为自动驾驶、智能交通系统以及交通管理提供技术支持。本项目使用的交通标志数据集包含了多种类型的交通标志，并涵盖了多种交通环境。数据集共包括 83 类交通标志，旨在提供广泛的交通标志分类，以便训练一个具有较强泛化能力的交通标志检测模型。

斌擎科技 1048

基于深度学习的交通标志识别系统：使用YOLOv10、UI界面及自定义数据集的实现

实时检测和分类交通标志。提供一个友好的用户界面，方便用户上传图片或视频进行检测。收集和显示检测结果，以便进行进一步分析。YOLO（You Only Look Once）是一种高效的目标检测算法，它能够在一次前向传播中同时进行目标定位和分类。YOLOv10是YOLO系列的最新版本，具有更好的检测精度和速度。本项目成功实现了基于YOLOv10的交通标志检测与识别系统。通过实时检测与分类，系统能够有效识别出各种交通标志，为智能交通应用提供支持。

YOLO 1234

交通标志数据集（分类和GAN）.zip

交通标志数据集，包括62中不同类别的交通标志图片数据，已经分好了训练集和测试集，我常常用来跑分类和GAN的demo。

基于yolov10的交通标志检测识别系统，支持图像、视频和摄像实时检测【pytorch框架、python源码】

基于yolov10的交通标志检测识别系统是在pytorch框架下实现的，这是一个完整的项目，包括代码，数据集，训练好的模型权重，模型训练记录，ui界面和各种模型指标（准确率、精确率、召回率等）等。ui界面由pyqt5设计实现。超详细的pycharm+anaconda搭建python虚拟环境-优快云博客​该项目可以使用已经训练好的模型权重，也可以自己重新训练，自己训练也比较简单：第一步：修改data/data.yaml中的数据集路径第二步：模型训练，即运行train.py文件。

lanbo_ai的博客 960

Kerberos基础及KDC服务（理论知识）

kerberos基础理论讲解+KDC服务

Siobhan_Mxin的博客 9711
上一篇： 评估指标：精确率（Precision）、召回率（Recall）、F1分数（F1 Score）
下一篇： PatchCore：工业异常检测中的全面召回
点赞 32
评论 0
书签 书签 22
FriendshipT
FriendshipT 优质创作者: 人工智能技术领域 优质创作者: 人工智能技术领域
博客等级 码龄8年 4万+粉丝 491原创
+ 关注 专栏目录 订阅专栏
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

FriendshipT

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值