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=3.9
conda 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
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 dir
train: images/train # train images (relative to 'path') 118287 images
val: 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# Classes
names:0: person1: cat2: dog
nc: 34、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 YOLOv10
import glob
import os
import numpy as np
import 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@staticmethoddef 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。
