Flexus X实例 ultralytics 模型 yolov10 深度学习 AI 部署与应用

前言：

���深度学习新纪元，828 B2B 企业节 Flexus X 实例特惠！想要高效训练 YOLOv10 模型，实现精准图像识别？Flexus X 以卓越算力，助您轻松驾驭大规模数据集，加速模型迭代，让 AI 智能触手可及。把握此刻，让创新不再受限！

���本实验演示从 0 到 1 部署 YOLOv10 深度学习 AI 大模型的环境搭建、模型训练、权重使用，以及各项指标解读。实验环境为 Flexus 云服务器 X 实例 服务器，配置：4vCPUs | 12GiB

环境准备

购买服务器配置

本次实验使用的是 Flexus 云服务器 X 实例 服务器。

在性能设置中我选择了自定义模式，使用了 4vCPUs | 12GiB，因为本次要实验的是 yolov10 的部署与应用，Windows 操作系统具有更加直观的用户界面和强大的图形支持，我选择了公共镜像 Windows Server 2022 数据中心版。以上配置仅供参考，并非硬性要求！

连接服务器

在华为云服务器控制台中找到我们刚刚购买的服务器，将弹性公网 IP 地址复制下来。

快捷键 Windows + R 打开运行窗口，输入 mstsc，回车！

 输入计算机：弹性公网 IP 地址；用户名：MicrosoftAccountAdministrator，单击“确定”。

然后输入密码，就成功的连接到我们的服务器了。

如果忘记密码了，可以在操作列中点击重置密码，重新设置我们的服务器密码。

安装 Python

我们先来安装 python3,打开官网地址

Download Python | Python.org

在官网下一个大于大于 3.8 的 python 安装包（官方建议使用 3.9 的版本），选择 amd64 的 exe 版本

安装的时候勾选最底下的帮我们添加环境变量

等待片刻，出现下面这个界面就是安装成功了。

CMD 打开控制台小黑窗，执行 python -V 和 pip -V 查看 python 版本与 pip 版本，看看我们的环境变量是否设置成功。

安装 Pytorch

到官网安装 Pytorch

Start Locally | PyTorch

在安装之前看看自己买的服务器是否有 GPU，可以使用命令来查看

查看 CPU 型号：cat /proc/cpuinfo | grep "model name"

查看 GPU 型号（Nvidia GPU）：nvidia-smi --query-gpu=gpu_name --format=csv

查看 GPU 型号（AMD Radeon GPU）：sudo lshw -C display

因为我这台是只有 CPU 的，因此在官网中选择 Stable(稳定版)，系统 Linux，用 pip 来安装吧，然后 Compute Platform 选择 CPU，然后把 Run this Command:中的命令���cmd 打开黑窗口执行。

我这里执行的是

pip3 install torch torchvision torchaudio 直接执行可能会很慢，我在后面加上指定镜像源，切换为国内镜像 pip3 install torch torchvision torchaudio -i https://pypi.mirrors.ustc.edu.cn/simple/

出现如下画面即是成功下载完成。

部署 YOLOv10

YOLOv10 是 YOLO（You Only Look Once）系列的最新版本，由清华大学的研究人员开发，旨在进一步提高实时目标检测的效率和准确性。以下是对 YOLOv10 的详细介绍：

之前的 YOLO 版本在后处理和模型架构方面仍存在不足，特别是依赖于非最大抑制（NMS）进行后处理，这限制了模型的端到端部署并增加了推理延迟。YOLOv10 通过消除 NMS 和优化模型组件，旨在解决这些问题，实现更高的性能和效率。

拉取 YOLOv10 代码并安装相关依赖

打开 YOLOV0 的 GItHub 代码库，将源码下载到本地，解压。

GitHub - THU-MIG/yolov10: YOLOv10: Real-Time End-to-End Object Detection

解压完成后，打开命令行窗口，cd 到源码的工作目录，执行下面两个命令。

当以上相关依赖都安装完毕后，执行以下训练命令测试我们的环境（此步骤可跳过）。

yolo detect train data=coco.yaml model=yolov10s.yaml epochs=5 batch=256 imgsz=640

第一次执行会自动下载官方提供的训练案例文件，需要等待较长时间。

数据集准备

YOLOv10 作为实时目标检测模型，理论上支持多种类型的数据集，只要这些数据集符合 YOLOv10 的输入格式和标注要求。具体来说，YOLOv10 可以支持的数据集包括但不限于以下几种类型：

1. 通用目标检测数据集：如 COCO（Common Objects in Context）数据集，这是一个大型、丰富的图像数据集，用于目标检测、分割、关键点检测等多种任务。YOLOv10 在 COCO 数据集上取得了显著的性能提升，展现出优异的精度-效率平衡能力。

2. 特定领域数据集：YOLOv10 也可以应用于特定领域的数据集，如交通标志检测数据集、人脸检测数据集、车辆检测数据集等。这些数据集通常针对特定场景或任务进行收集和标注，以满足特定领域的需求。

3. 自定义数据集：用户还可以根据自己的需求创建自定义数据集，并使用 YOLOv10 进行训练和测试。自定义数据集需要按照 YOLOv10 的输入格式进行标注和组织，包括图像文件、标签文件以及可能的数据集配置文件等。

通常来说，我们需要将标注结果与原图按比例分配到三个文件夹中

如你有 100 张标注了的图片，大约 80 张图片用于训练数据，约 10 张图片用于验证数据，约 10 张图片用于测试数据

 train 路径用于训练模型，val 路径用于验证模型，test 路径用于测试模型。在训练和验证期间，模型将在不同的数据集上进行训练和验证，以便评估模型的性能。在测试期间，模型将使用整个数据集进行测试，以确定其性能指标

需要注意的是：训练过的图片通常不能用于验证数据。这是因为在训练期间，模型已经对这些图片进行了训练，并学会了识别这些图片中的对象和场景类别。

因为数据标注要花费大量的时间，这里直接拿出我最爱的皮卡丘标注数据

400多张“皮卡丘”原图与标注结果以及yolov8的训练结果best.pt权重和ONNX格式文件_yolov8权重转onnx资源-CSDN文库

在这个压缩包中有皮卡丘图片与标注信息，还有 yolov8 的训练好的权重文件，我们只留下 images 和 labels 用来训练 yolov10 版本的权重。

因为我比较懒，能用代码解决的事就用代码，下面我们使用 python 对数据集进行随机分配。

修改下面代码中 66-67 行中的

src_data_folder = '数据集路径' target_data_folder = '处理后的数据集'

因为在 yolo 训练中，我们并不需要将图片和标注结果分开存放，因此我们将 train 和 val 中的 images 和 labels 里的文件都全部移出来，然后将这两个文件夹删掉即可。

要注意的是，不管是 train 还是 val 都需要检查是否包含这么一个 classes.txt 文件，如果没有的话需要自己手动补上，因为我这里的素材只有一个皮卡丘目标，并且标注为 1 了，所以只写了一个 1。

训练数据集的配置文件

参考路径 C:yolov10-mainultralyticscfgdatasets 找到 voc.yaml，复制一份，自定义一个名字

执行完识别命令后，可在输出信息中看到识别结果文件所在位置，detectpredict（数字会自动叠加）

任意打开一张图片，找出识别前的图片对比一下，皮卡丘已经被框出来了，并打上我们设置的 pkq 标签。

至此~我们就完成了 YOLOv10 目标检测模型的训练与识别工作了！整个实验操作下来，Flexus 云服务器 X 实例的表现都是非常出色的！