本文为大家先容的是 YOLOv10在行空板的运行。YOLOv10是由清华大学研究团队最新提出的，同样遵照 YOLO 系列设计原则，致力于打造实时端到真个高性能目标检测器。
YOLOv10办理了以往版本YOLO系列目标检测算法在后处理和模型架构方面的不敷。通过肃清非极大值抑制（NMS）操作和优化模型架构，YOLOv10在显著降落打算开销的同时还实现了最前辈的性能。在标准目标检测基准上进行的广泛实验表明，YOLOv10在各种模型规模下，在打算-准确度权衡方面显著优于先前的最前辈模型。
如下图所示，在类似性能下，YOLOv10-S / X分别比RT-DETR R18 / R101快1.8倍/1.3倍。与YOLOv9-C比较，YOLOv10-B在相同性能下实现了46%的延迟降落。此外，YOLOv10展现出了极高的参数利用效率。YOLOv10-L / X在参数数量分别减少了1.8倍和2.3倍的情形下，比YOLOv8-L / X赶过0.3 AP和0.5 AP。YOLOv10-M在参数数量分别减少了23%和31%的情形下，与YOLOv9-M / YOLO-MS实现了相似的AP。
yolov10性能参数比拟图
行空板硬件先容行空板是一款专为Python学习和利用设计的新一代国产开源硬件，采取单板打算机架构，集成LCD彩屏、WiFi蓝牙、多种常用传感器和丰富的拓展接口。同时，其自带Linux操作系统和Python环境，还预装了常用的Python库，让广大师生只需两步就能进行Python传授教化。
行空板是一款基于RK3308 Arm 64位四核处理器的开拓板，主频达到1.2GHz，配备512MB DDR3内存和16GB eMMC硬盘，运行Debian 10操作系统。此外，它支持2.4G Wi-Fi和蓝牙4.0，采取RTL8723DS芯片。行空板还集成了GD32VF103C8T6 RISC-V协处理器，主频108MHz，具备64KB Flash和32KB SRAM。
行空板拥有多种板载元件，包括Home按键、A/B按键，2.8英寸可触控彩色屏幕，分辨率为240x320。设备还配备了电容式硅麦克风、PT0603光敏三极管光芒传感器、无源蜂鸣器和蓝色LED。此外，它还内置了ICM20689六轴传感器，包括三轴加速度和三轴陀螺仪。
在接口方面，行空板供应了多种连接选项。具有USB Type-C接口，用于将CPU与PC连接进行编程或为主板供电。还有USB TYPE-A接口，用于连接外部USB设备。此外，板上还有microSD卡接口用于扩展存储空间，3Pin I/O支持3路10位PWM和2路12位ADC，独立的4Pin I2C接口，以及与micro:bit兼容的19路独立I/O金手指，支持多种通信协议和功能。
在行空板上运行YOLOv10的物体检测功能
在这篇文章中，我们将利用DFRobot公司研发的行空板来运行YOLOv10，并考试测验通过转换onnx格式进行加速。
将YOLOv10支配在行空板上具有主要的实用和学习意义：
便携性和支配灵巧性：行空板体积小巧，便于嵌入到空间受限的设备中，实现物体检测的便携式支配。比较于大型打算机，行空板更适宜在现场和移动场景中利用。本钱效益：行空板相对本钱较低，适宜预算有限的项目和教诲用场。通过在行空板上运行YOLOv10，可以进行低本钱的物体检测运用开拓和实验。学习和实验平台：行空板供应了丰富的接口和板载元件，适宜作为学习和实验平台。通过在行空板上运行YOLOv10，学生和开拓者可以深入理解嵌入式系统和人工智能的结合，学习优化和加速算法在资源受限环境中的运用。技能寻衅和创新：在资源有限的行空板上运行yolov10须要战胜打算性能和内存限定的寻衅。这为开拓者供应了一个探索和创新的机会，可以考试测验各种优化技能，如模型压缩、量化和硬件加速。准备：运行YOLOv10的环境配置为了在行空板上成功运行YOLOv10，我们将利用Ultralytics官方供应的库进行支配。首先，我们须要确保行空板上的Python环境知足YOLOv10的哀求，即Python版本需升级到3.8以上。为此，我们推举利用MiniConda进行版本管理，这样可以轻松切换和管理不同版本的Python环境。
步骤大致如下：
安装MiniConda：首先，在行空板高下载并安装MiniConda。MiniConda是一个轻量级的Python发行版，专门用于简化Python环境的管理和包的安装。创建新环境：利用MiniConda创建一个新的Python 3.8或更高版本的虚拟环境。这可以确保我们在支配yolov10时，不会受到系统默认Python环境的影响，从而避免兼容性问题。激活环境：激活新创建的虚拟环境，使之成为当前的事情环境。安装Ultralytics库：在激活的虚拟环境中，通过pip命令安装Ultralytics官方供应的YOLO库。这将下载并安装所有必要的依赖项和组件，使我们能够顺利运行YOLOv10。通过上述步骤，我们可以在行空板上成功支配YOLOv10，充分利用其强大的物体检测能力。这种方法不仅能确保YOLOv10的高效运行，还能方便地进行环境管理和版本掌握，为后续的开拓和实验供应了稳定的根本。同时，通过利用MiniConda进行版本管理，我们可以更灵巧地应对不同项目对Python环境的需求，提高开拓效率。
下面是详细步骤。
step 1 查看当前python版本：在终端输入：
python --version
终端显示：
Python 3.7.3
ultralytics不支持低版本python，需简要将python升级。选择利用mini conda进行版本管理和升级。
把稳，不要利用anaconda，行空板运行易报错。step 2 下载mini conda在终端输入：
wget https://github.com/conda-forge/miniforge/releases/latest/download/Miniforge3-Linux-aarch64.sh
下载完后终端显示：
已保存 “Miniforge3-Linux-aarch64.sh” [74300552/74300552])step 3 安装mini conda
在终端输入：
sudo bash Miniforge3-Linux-aarch64.sh
过程中碰着须要输入ENTER键或者yes键的照做。末了终端显示：
> Added mamba to /root/.bashrc>> ==> For changes to take effect, close and re-open your current shell. <==>> Thank you for installing Miniforge3!
在终端输入：
source ~/.bashrc
安装完成，在终端输入：
conda
终端显示：
Step 4 激活conda
在终端输入：
conda activate
可以看到终真个显示由
变成
解释已经成功激活了conda。
Step 5 在conda中建立YOLO环境名字叫yolo，python版本选择3.11。在终端输入：
conda create -n yolo python==3.11
过程中显示：
输入y,
环境建立完终端显示：
Step 6 激活yolo环境
在终端中输入：
conda activate yolo
可以看到终端显示由
变成
解释激活yolo环境成功。
Step 7 安装utralytics在终端输入：
pip install ultralytics
完成后终端显示：
Step 8 安装Pillow库
在终端输入：
pip install pillow
如果已安装，终端显示：
> Requirement already satisfied: pillow in /root/miniforge3/envs/yolo/lib/python3.11/site-packages (10.3.0)Step 9 安装OpenCV
在终端输入：
pip install opencv-python
如果已安装，终端显示：
> Requirement already satisfied: opencv-python in /root/miniforge3/envs/yolo/lib/python3.11/site-packages (4.9.0.80)>> Requirement already satisfied: numpy>=1.21.2 in /root/miniforge3/envs/yolo/lib/python3.11/site-packages (from opencv-python) (1.26.4)Step 10 安装huggingface库
终端输入：
pip install huggingface
终端输入：
pip install huggingface_hub
Yolov10项目地址：https://github.com/THU-MIG/yolov10
终端输入：
git clone https://github.com/THU-MIG/yolov10.git
下载yolov10的项目。然后进入目录，终端输入：
cd yolov10Step 2 须要准备的文件
权重文件（可以在文末下载）：
Step 3 创建python文件
quick_start.py 样例代码：
from ultralytics import YOLO# Load a pretrained YOLO model (recommended for training)model = YOLO("yolov10n.pt")# Perform object detection on an image using the modelresults = model("https://ultralytics.com/images/bus.jpg")# Save results to diskresults[0].save(filename=f"result_bus.jpg")Step 4 确认开启yolo环境：
在终端输入：
conda activate yolo
确认终端显示：
Step 5 运行编写的python脚本
在终端输入：
python quick_start.py
可以看到终端中显示：
可以看到，利用原生yolov10n的模型进行单张图片的推理须要大约7秒。
自动下载了图片bus.jpg，这是我们准备的让yolo推理的图片，如下所示：
末了模型推理，将结果储存为了result_bus.jpg:
优化：转换onnx格式
在利用原生yolov10n运行的时候，速率是很慢的，以是我们须要对其进行格式转换以加速其运行。
本节先容如何将yolov10n.pt转换成onnx格式以加快运行速率。下面是详细步骤：
Step 1 移动到上一节中创建的yolo目录在终端中输入：
cd yolov10Step 2 建立python文件，名为：export_onnx.py，代码如下：
from ultralytics import YOLO# Load a modelmodel = YOLO("yolov10n.pt") # load an official model# Export the modelmodel.export(format="onnx")Step 3 确认开启yolo环境：
在终端输入：
conda activate yolo
确认终端显示：
Step 4 运行编写的python脚本
在终端输入：
python export_onnx.py
终端中显示：
可以看到，终极自动保存了转换好的文件yolov10n.onnx
Step 5 编写运行onnx模型的文件建立predict_onnx.py文件，并编写如下代码：
from ultralytics import YOLO# Load the exported NCNN modelonnx_model = YOLO("yolov10n.onnx", task = 'detect')# Run inferenceresults = onnx_model("https://ultralytics.com/images/bus.jpg")# Save results to diskresults[0].save(filename=f"result_bus_onnx.jpg")Step 6 运行推理代码
在终端输入：
python predict_onnx.py
终端显示：
目录中产生预测结果：
可以看到，利用onnx模型进行目标检测大约耗时6.5秒，比原生模型快了0.5秒。
进一步优化：减小输入图片的尺寸可以看出，目前的推理速率仍旧较慢。
如果想提高推理速率，可以减少输入图片的尺寸。导出onnx模型的时候，我们可以设置参数imgsz来规定输入图片的尺寸，如果输入图片的尺寸不愿定，我们也可以将dynamic参数设置为True，这时候导出的onnx可以接管任意尺寸的图片输入进行推理。详细步骤如下：
Step 1 移动到上一节中创建的yolo目录在终端中输入：
cd yolov10Step 2 建立python文件，名为：export_onnx.py，代码如下：
from ultralytics import YOLO# Load a modelmodel = YOLO("yolov10n.pt") # load an official model# Export the modelmodel.export(format="onnx", dynamic = True)Step 3 确认开启yolo环境：
在终端输入：
conda activate yolo
确认终端显示：
Step 4 运行编写的python脚本
在终端输入：
python export_onnx.py
终端中显示：
可以看到，自动保存了转换好的文件yolov10n.onnx。
Step 5 编写运行onnx模型的文件建立predict_onnx.py文件，并编写如下代码：
from ultralytics import YOLOimport cv2# Load the exported NCNN modelonnx_model = YOLO("yolov10n.onnx", task = 'detect')image = cv2.imread('bus.jpg')print(image.shape)# Run inferenceprint('original')results = onnx_model("bus.jpg")results[0].save(filename='bus_640.jpg')print(256)results = onnx_model("bus.jpg", imgsz = 256)results[0].save(filename='bus_256.jpg')print(128)results = onnx_model("bus.jpg", imgsz = 128)results[0].save(filename='bus_128.jpg')print(64)results = onnx_model("bus.jpg", imgsz = 64)results[0].save(filename='bus_64.jpg')
在这段代码中，我们分别测试原始尺寸的图片、256尺寸的图片、128尺寸的图片和64尺寸的图片的运行情形。
Step 6 运行推理代码在终端输入：
python predict_onnx.py
终端显示：
原图片尺寸是1080810，原始yolov10n的最大预测尺寸是640，此时耗时大约6秒。结果如下：
输入尺寸为448时，耗时大约为秒。结果如下：
输入尺寸为320时，耗时大约为1.2秒。结果如下：
输入尺寸为256时，耗时大约为0.8秒。
输入尺寸为128时，耗时大约为0.4秒。
总结如下：
把稳事变:性能以公交车图片为准。如果您有自己的数据集，可能须要更多的测试。本测试中准确性的判断标准为：准确性很好较好一样平常差很差与gt识别物体的个数差异0123>3
尺寸、耗时、准确性如下：
尺寸耗时准确性6406s很好4482.5s很好3201.2s较好2560.7s较好1280.28s一样平常64不支持不支持
与YOLOv8n的比拟利用官方代码，图片尺寸与运行耗时的比拟如下：
把稳事变:准确性用bus.jpg测试。如果您有自己的数据集，可能须要更多的测试。结论行空板可以运行yolov10n利用行空板可以用大略的代码运行yolov10n，并且速率比yolov8n略快。
本文先容了如何完成进行yolov10在行空板的支配虽然yolov10是基于ultralytics开拓，但是只安装ultralytics库不能直接运行yolov10，仍须要clone官方仓库。
分辨率配置推举如果利用行空板用于图片的目标检测，可以考虑利用448分辨率的输入，此种情形下一张图片的处理韶光大约为2.5秒，同时准确性很好。如果利用行空板用于视频的目标检测，限于行空板的算力，推举利用128分辨率的输入，此种情形下一张图片的处理韶光大约为0.28秒旁边,但是此时效果表现一样平常。更值得考虑的是利用yolov8n的128分辨率输入，此时准确性表现较好。再次强调：准确性表现以bus.jpg测试。如果您有自己的数据集，可能须要更多的测试。
持续优化，欢迎关注我们将持续对yolov10n在行空板上的运行进行优化，欢迎关注。
首发于：DF创客社区 https://mc.dfrobot.com.cn/thread-319707-1-1.html
转载请注明来源信息
