Yolov10菜品的目标检测模型训练及推理（包括数据集、训练及推理源码）

最新推荐文章于 2025-03-10 16:40:20 发布

利哥AI实例探险

最新推荐文章于 2025-03-10 16:40:20 发布

阅读量1.4k

点赞数 12

分类专栏：菜品识别目标检测文章标签： YOLO 目标检测目标跟踪

本文为博主原创文章，未经博主允许不得转载。

本文链接：https://blog.youkuaiyun.com/oBoLuoChuiXue12/article/details/143110174

版权

目标检测同时被 2 个专栏收录

5 篇文章

订阅专栏

菜品识别

3 篇文章

订阅专栏

本文摘要

本文主要展示使用已标注的2000+菜品餐盘目标，使用yolov10训练目标检测模型，并对结果进行评估及推理的过程。本文已制作好的yolov10的可关注我，想要获取数据集可点击阅读原文，里面有源码及数据集下载方式

原文链接：源码及训练数据集下载(可一对一指导)

1. Yolov10

YOLOv10 是清华大学研究人员在 UltralyticsPython 清华大学的研究人员在 YOLOv10软件包的基础上，引入了一种新的实时目标检测方法，解决了YOLO 以前版本在后处理和模型架构方面的不足。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。并用大量实验证明，YOLOv10 在多个模型尺度上实现了卓越的精度-延迟权衡。

无 NMS 设计：利用一致的双重分配来消除对 NMS 的需求，从而减少推理延迟。
整体模型设计：从效率和准确性的角度全面优化各种组件，包括轻量级分类头、空间通道去耦向下采样和等级引导块设计。
增强的模型功能：纳入大核卷积和部分自注意模块，在不增加大量计算成本的情况下提高性能。
YOLOv10 有多种型号，可满足不同的应用需求：

YOLOv10-N：用于资源极其有限环境的纳米版本。
YOLOv10-S：兼顾速度和精度的小型版本。
YOLOv10-M：通用中型版本。
YOLOv10-B：平衡型，宽度增加，精度更高。
YOLOv10-L：大型版本，精度更高，但计算资源增加。
YOLOv10-X：超大型版本可实现最高精度和性能。

2. 数据集准备与标注

【菜品识别专栏】菜品目标检测数据集标注及处理（Yolov10）

3. 模型训练

3.1 下载源码及预训练模型文件

下载源码及预训练模型：https://github.com/THU-MIG/yolov10
在这里插入图片描述

3.2 创建虚拟环境，依赖安装

conda create -n yolov10 python=3.9
conda activate yolov10
 1.切换到yolov10源码根目录下，安装依赖
注意：会自动根据你是否有GPU自动选择pytorch版本进行按照，这里不需要自己去选择pytorch和cuda
pip install -r requirements.txt -i https://pypi.doubanio.com/simple
2.运行下面的命令，才可以在命令行使用yolo等命令
pip install -e .

python train.py

3.3 调用python train.py进行训练

data.yaml 内容如下：

train: /home/xzx/zll/202409zll/yolo_images/train
val: /home/xzx/zll/202409zll/yolo_images/val
test: /home/xzx/zll/202409zll/yolo_images/test

nc: 1
names: ["label"]

train.py

#coding:utf-8
from ultralytics import YOLOv10
# 模型配置文件
model_yaml_path = './ultralytics/cfg/models/v10/yolov10n.yaml'
# 数据集配置文件
data_yaml_path = '/home/xzx/zll/202409zll/yolo_images/data.yaml'
# 预训练模型
pre_model_name = './yolov10n.pt'

if __name__ == '__main__':
    # 加载预训练模型
    model = YOLOv10(model_yaml_path).load(pre_model_name)
    # 训练模型
    model.train(data=data_yaml_path, 
                epochs=100, 
                batch=4, 
                imgsz=640,
                name = 'train_v10',
                device='cpu')

训练过程如下图所示：
在这里插入图片描述

4. 训练结果评估

详细参见：【深度学习】深度学习模型训练结果分析及效果评估以及Yolo训练结果解释
在这里插入图片描述

4.1 混淆矩阵

在这里插入图片描述
混淆矩阵以矩阵形式将数据集中的记录按照真实的类别与分类模型预测的类别判断两个标准进行汇总。其中矩阵的行表示真实值，矩阵的列表示预测值。

y轴：行是预测类别
x轴：列是真实类别

4.2 查准率和召回率的调和平均数

在这里插入图片描述
F1曲线，被定义为查准率和召回率的调和平均数，常常将F1-score作为最终测评的方法。它是精确率和召回率的调和平均数，最大为1，其中1是最好，0是最差。
置信度阈值（该样本被判定为某一类的概率阈值）较低的时候，很多置信度低的样本被认为是真，召回率高，精确率低；

4.3 准确率和召回率

在这里插入图片描述
准确率precision和置信度confidence的关系图
当判定概率超过置信度阈值时，各个类别识别的准确率。当置信度越大时，类别检测越准确，但是这样就有可能漏掉一些判定概率较低的真实样本。
置信度阈值 - 召回率曲线图
召回率recall和置信度confidence之间的关系，recall（真实为positive的准确率），即正样本有多少被找出来了（召回了多少）