YOLOv10（训练完全版更新）

YOLOv10目前还不支持项目上的硬件板使用，等待后续。
requirements.txt中已更新（torch版本更新了，提高了些精度）（我新加入了其他库）

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


opencv-python
psutil
tqdm
pandas
seaborn

YOLOv10的虚拟环境下安装：（关闭魔法）
pip install -r requirements.txt --index-url https://pypi.tuna.tsinghua.edu.cn/simple

新建train.py 代码如下设置（个人CSDN已公布）：

import warnings
"""需要新导入v10"""
from ultralytics.models.yolov10.model import YOLOv10
warnings.filterwarnings('ignore')
from ultralytics import YOLO
"""研究生群里我发过这个报错文档，为了处理OpenMP 运行时 libiomp5md.dll 被多次初始化。这可能是因为不同的库尝试加载同一个 OpenMP 运行时库，或者是因为程序中链接了多个不兼容的科学计算库，例如 NumPy、SciPy 或者其他依赖于 OpenMP 的库。"""
import os
os.environ['KMP_DUPLICATE_LIB_OK']='True'  



if __name__ == '__main__':
    model = YOLOv10(r'D:\Pycharm-Projects\yolov10-main\ultralytics\cfg\models\v10\yolov10s.yaml')

    model.load(r'D:\Pycharm-Projects\yolov10-main\yolov10s.pt') # 是否加载预训练权重,科研不建议大家加载否则很难提升精度

    model.train(
                data=r'D:\Pycharm-Projects\yolov10-main\ultralytics\cfg\datasets\xxx.yaml',  #  将data后面替换你自己的数据集地址
                cache=True,#如果设置为True，在训练前将整个数据集加载到内存中，可以加速训练过程，但需要较多内存
                imgsz=640,#训练时输入图像的大小，这里设置为640x640像素。图像尺寸对模型性能和速度有重要影响
                epochs=300,#训练的总轮数，这里设置为100轮。一个epoch表示整个数据集被模型看过一次
                single_cls=False,  # 是否是单类别检测,如果设置为True，表示模型仅需要识别一种类别。
                batch=16,#批大小，每次迭代训练所用的样本数量。这里设置为1，通常较小的批大小会使训练过程更稳定，但可能会增加训练时间
                close_mosaic=10,#是一个特定于YOLOv8的参数，用于控制何时停止使用mosaic数据增强（一种图像数据增强方法）
                workers=0,#用于加载数据的工作线程数。设置为0表示数据加载将在主线程中进行。
                device='0',#指定训练使用的设备，'0'通常表示使用第一个GPU
                optimizer='SGD',  # using SGD,选择优化器，这里使用SGD（随机梯度下降）
                amp=False,  # 自动混合精度训练，可以提高训练速度和效率，同时减少内存使用。如果训练中出现损失为NaN，可以关闭此功能
                project='runs/train',
                name='exp',#训练实验的名称，输出文件将保存在project/name目录下。
                )

汉化版本default.yaml超参数中（个人CSDN已公布） ，将val_period参数设置为-1。
patience设置为10000。

# Ultralytics YOLO , AGPL-3.0 许可证
# COCO 训练的中等增强默认训练设置和超参数

task: detect # (str) YOLO 任务，例如 detect（检测）、segment（分割）、classify（分类）、pose（姿态）
mode: train # (str) YOLO 模式，例如 train（训练）、val（验证）、predict（预测）、export（导出）、track（跟踪）、benchmark（基准）

# 训练设置 --------------------------------------------------------------------------------------------------------------
model: # (str, 可选) 模型文件路径，例如 yolov8n.pt, yolov8n.yaml
data: # (str, 可选) 数据文件路径，例如 coco128.yaml
epochs: 100 # (int) 训练的轮数
time: # (float, 可选) 训练时间（小时），如果提供，将覆盖 epochs
patience: 10000 # (int) 早停等待轮数，即训练过程中无改善时等待的轮数
batch: 16 # (int) 每批图像的数量 (-1 为自动批处理)
imgsz: 640 # (int | list) 训练和验证模式下的输入图像大小，或预测和导出模式下的图像尺寸列表[w,h]
save: True # (bool) 是否保存训练检查点和预测结果
save_period: -1 # (int) 每 x 轮保存一次检查点（如果 < 1 则禁用）
val_period: -1 # (int) 每 x 轮进行一次验证
cache: False # (bool) True/ram, disk or False。数据加载时是否使用缓存
device: # (int | str | list, 可选) 运行设备，例如 cuda device=0 或 device=0,1,2,3 或 device=cpu
workers: 8 # (int) 数据加载的工作线程数（如果使用DDP，则每个RANK）
project: # (str, 可选) 项目名称
name: # (str, 可选) 实验名称，结果保存在 'project/name' 目录
exist_ok: False # (bool) 是否覆盖已存在的实验
pretrained: True # (bool | str) 是否使用预训练模型（布尔值）或从中加载权重的模型（字符串）
optimizer: auto # (str) 使用的优化器，可选项包括 [SGD, Adam, Adamax, AdamW, NAdam, RAdam, RMSProp, auto]
verbose: True # (bool) 是否打印详细输出
seed: 0 # (int) 随机种子，用于可复现性
deterministic: True # (bool) 是否启用确定性模式
single_cls: False # (bool) 将多类数据训练为单类
rect: False # (bool) 如果 mode='train' 则进行矩形训练，如果 mode='val' 则进行矩形验证
cos_lr: False # (bool) 使用余弦学习率调度器
close_mosaic: 10 # (int) 在最后几轮禁用马赛克增强（0 表示不禁用）
resume: False # (bool) 从最后一个检查点恢复训练
amp: True # (bool) 自动混合精度（AMP）训练，选项包括 [True, False]，True 表示进行 AMP 检查
fraction: 1.0 # (float) 训练数据集的使用比例（默认为 1.0，即使用全部训练集图像）
profile: False # (bool) 在训练期间为日志记录分析 ONNX 和 TensorRT 的速度
freeze: None # (int | list, 可选) 在训练期间冻结前 n 层或冻结层索引列表
multi_scale: False # (bool) 训练期间是否使用多尺度
# 分割
overlap_mask: True # (bool) 训练期间掩码应重叠（仅限分割训练）
mask_ratio: 4 # (int) 掩码下采样比例（仅限分割训练）
# 分类
dropout: 0.0 # (float) 使用 dropout 正则化（仅限分类训练）

# 验证/测试设置 --------------------------------------------------------------------------------------------------------
val: True # (bool) 在训练期间进行验证/测试
split: val # (str) 用于验证的数据集分割，例如 'val', 'test' 或 'train'
save_json: False # (bool) 将结果保存为 JSON 文件
save_hybrid: False # (bool) 保存混合标签版本（标签 + 额外预测）
conf: # (float, 可选) 检测的对象置信度阈值（默认 0.25 预测，0.001 验证）
iou: 0.7 # (float) 非极大抑制（NMS）的交并比（IoU）阈值
max_det: 300 # (int) 每张图像的最大检测数量
half: False # (bool) 使用半精度 (FP16)
dnn: False # (bool) 使用 OpenCV DNN 进行 ONNX 推理
plots: True # (bool) 在训练/验证期间保存图表和图像

# 预测设置 -------------------------------------------------------------------------------------------------------------
source: # (str, 可选) 图像或视频的源目录
vid_stride: 1 # (int) 视频帧率步长
stream_buffer: False # (bool) 缓冲所有流媒体帧（True）或返回最近的帧（False）
visualize: False # (bool) 可视化模型特征
augment: False # (bool) 对预测源应用图像增强
agnostic_nms: False # (bool) 类别无关的 NMS
classes: # (int | list[int], 可选) 通过类别过滤结果，例如 classes=0, 或 classes=[0,2,3]
retina_masks: False # (bool) 使用高分辨率分割掩码
embed: # (list[int], 可选) 从给定层返回特征向量/嵌入

# 可视化设置 -----------------------------------------------------------------------------------------------------------
show: False # (bool) 如果环境允许，显示预测的图像和视频
save_frames: False # (bool) 保存预测的单个视频帧
save_txt: False # (bool) 将结果保存为 .txt 文件
save_conf: False # (bool) 保存带有置信度得分的结果
save_crop: False # (bool) 保存带有结果的裁剪图像
show_labels: True # (bool) 显示预测标签，例如 'person'
show_conf: True # (bool) 显示预测置信度，例如 '0.99'
show_boxes: True # (bool) 显示预测框
line_width: # (int, 可选) 边界框的线宽。如果没有指定，则根据图像大小调整

# 导出设置 -------------------------------------------------------------------------------------------------------------
format: torchscript # (str) 导出格式，可在 https://docs.ultralytics.com/modes/export/#export-formats 查看可选项
keras: False # (bool) 使用 Keras
optimize: False # (bool) TorchScript：优化移动端
int8: False # (bool) CoreML/TF INT8 量化
dynamic: False # (bool) ONNX/TF/TensorRT：动态轴
simplify: False # (bool) ONNX：简化模型
opset: # (int, 可选) ONNX：opset 版本
workspace: 4 # (int) TensorRT：工作空间大小 (GB)
nms: False # (bool) CoreML：添加 NMS

# 超参数 --------------------------------------------------------------------------------------------------------------
lr0: 0.01 # (float) 初始学习率（例如 SGD=1E-2, Adam=1E-3）
lrf: 0.01 # (float) 最终学习率 (lr0 * lrf)
momentum: 0.937 # (float) SGD 动量/Adam beta1
weight_decay: 0.0005 # (float) 优化器权重衰减 5e-4
warmup_epochs: 3.0 # (float) 热身轮数（可以是小数）
warmup_momentum: 0.8 # (float) 热身初始动量
warmup_bias_lr: 0.1 # (float) 热身初始偏置 lr
box: 7.5 # (float) 框损失增益
cls: 0.5 # (float) 类别损失增益（按像素缩放）
dfl: 1.5 # (float) dfl 损失增益
pose: 12.0 # (float) 姿态损失增益
kobj: 1.0 # (float) 关键点对象损失增益
label_smoothing: 0.0 # (float) 标签平滑（比例）
nbs: 64 # (int) 标称批量大小
hsv_h: 0.015 # (float) 图像 HSV-Hue 增强（比例）
hsv_s: 0.7 # (float) 图像 HSV-饱和度增强（比例）
hsv_v: 0.4 # (float) 图像 HSV-值增强（比例）
degrees: 0.0 # (float) 图像旋转（+/- deg）
translate: 0.1 # (float) 图像平移（+/- 比例）
scale: 0.5 # (float) 图像缩放（+/- 增益）
shear: 0.0 # (float) 图像剪切（+/- deg）
perspective: 0.0 # (float) 图像透视（+/- 比例），范围 0-0.001
flipud: 0.0 # (float) 图像上下翻转（概率）
fliplr: 0 # (float) 图像左右翻转（概率）
bgr: 0.0 # (float) 图像通道 BGR（概率）
mosaic: 1.0 # (float) 图像马赛克（概率）
mixup: 0.0 # (float) 图像混合（概率）
copy_paste: 0.0 # (float) 分割复制粘贴（概率）
auto_augment: randaugment # (str) 分类自动增强策略（randaugment, autoaugment, augmix）
erasing: 0.4 # (float) 分类训练中随机擦除的概率（0-1）
crop_fraction: 1.0 # (float) 分类评估/推理的图像裁剪比例（0-1）

# 自定义 config.yaml ---------------------------------------------------------------------------------------------------
cfg: # (str, 可选) 用于覆盖 defaults.yaml 的设置

# 跟踪器设置 ----------------------------------------------------------------------------------------------------------
tracker: botsort.yaml # (str) 跟踪器类型，可选项 [botsort.yaml, bytetrack.yaml]

直接训练train.py后会出现这个报错：无法从charset_normalizer.constant模块中导入COMMON_SAFE_ASCII_CHARACTERS：使用pip install -U charset_normalizer
虚拟环境下安装：pip install -U charset_normalizer

好了，现在直接训练就没有问题了。