前言：

???深度學習新紀元，828 B2B 企業節 Flexus X 實例特惠！想要高效訓練 YOLOv10 模型，實現精準圖像識別？Flexus X 以卓越算力，助您輕松駕馭大規模數據集，加速模型迭代，讓 AI 智能觸手可及。把握此刻，讓創新不再受限！

???本實驗演示從 0 到 1 部署 YOLOv10 深度學習 AI 大模型的環境搭建、模型訓練、權重使用，以及各項指標解讀。實驗環境為 Flexus 云服務器 X 實例 服務器，配置：4vCPUs | 12GiB

環境準備

購買服務器配置

本次實驗使用的是 Flexus 云服務器 X 實例 服務器。

在性能設置中我選擇了自定義模式，使用了 4vCPUs | 12GiB，因為本次要實驗的是 yolov10 的部署與應用，Windows 操作系統具有更加直觀的用戶界面和強大的圖形支持，我選擇了公共鏡像 Windows Server 2022 數據中心版。以上配置僅供參考，并非硬性要求！

連接服務器

在華為云服務器控制臺中找到我們剛剛購買的服務器，將彈性公網 IP 地址復制下來。

快捷鍵 Windows + R 打開運行窗口，輸入 mstsc，回車！

輸入計算機：彈性公網 IP 地址；用戶名：MicrosoftAccountAdministrator，單擊“確定”。

然后輸入密碼，就成功的連接到我們的服務器了。

如果忘記密碼了，可以在操作列中點擊重置密碼，重新設置我們的服務器密碼。

安裝 Python

我們先來安裝 python3,打開官網地址

Download Python | Python.org

在官網下一個大于大于 3.8 的 python 安裝包（官方建議使用 3.9 的版本），選擇 amd64 的 exe 版本

安裝的時候勾選最底下的幫我們添加環境變量

等待片刻，出現下面這個界面就是安裝成功了。

CMD 打開控制臺小黑窗，執行 python -V 和 pip -V 查看 python 版本與 pip 版本，看看我們的環境變量是否設置成功。

安裝 Pytorch

到官網安裝 Pytorch

Start Locally | PyTorch

在安裝之前看看自己買的服務器是否有 GPU，可以使用命令來查看

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

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

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

因為我這臺是只有 CPU 的，因此在官網中選擇 Stable(穩定版)，系統 Linux，用 pip 來安裝吧，然后 Compute Platform 選擇 CPU，然后把 Run this Command:中的命令???cmd 打開黑窗口執行。

我這里執行的是

pip3 install torch torchvision torchaudio 直接執行可能會很慢，我在后面加上指定鏡像源，切換為國內鏡像 pip3 install torch torchvision torchaudio -i https://pypi.mirrors.ustc.edu.cn/simple/

出現如下畫面即是成功下載完成。

部署 YOLOv10

YOLOv10 是 YOLO（You Only Look Once）系列的最新版本，由清華大學的研究人員開發，旨在進一步提高實時目標檢測的效率和準確性。以下是對 YOLOv10 的詳細介紹：

之前的 YOLO 版本在后處理和模型架構方面仍存在不足，特別是依賴于非最大抑制（NMS）進行后處理，這限制了模型的端到端部署并增加了推理延遲。YOLOv10 通過消除 NMS 和優化模型組件，旨在解決這些問題，實現更高的性能和效率。

拉取 YOLOv10 代碼并安裝相關依賴

打開 YOLOV0 的 GItHub 代碼庫，將源碼下載到本地，解壓。

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

解壓完成后，打開命令行窗口，cd 到源碼的工作目錄，執行下面兩個命令。

當以上相關依賴都安裝完畢后，執行以下訓練命令測試我們的環境（此步驟可跳過）。

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

第一次執行會自動下載官方提供的訓練案例文件，需要等待較長時間。

數據集準備

YOLOv10 作為實時目標檢測模型，理論上支持多種類型的數據集，只要這些數據集符合 YOLOv10 的輸入格式和標注要求。具體來說，YOLOv10 可以支持的數據集包括但不限于以下幾種類型：

1.通用目標檢測數據集：如 COCO（Common Objects in Context）數據集，這是一個大型、豐富的圖像數據集，用于目標檢測、分割、關鍵點檢測等多種任務。YOLOv10 在 COCO 數據集上取得了顯著的性能提升，展現出優異的精度-效率平衡能力。

2.特定領域數據集：YOLOv10 也可以應用于特定領域的數據集，如交通標志檢測數據集、人臉檢測數據集、車輛檢測數據集等。這些數據集通常針對特定場景或任務進行收集和標注，以滿足特定領域的需求。

3.自定義數據集：用戶還可以根據自己的需求創建自定義數據集，并使用 YOLOv10 進行訓練和測試。自定義數據集需要按照 YOLOv10 的輸入格式進行標注和組織，包括圖像文件、標簽文件以及可能的數據集配置文件等。

通常來說，我們需要將標注結果與原圖按比例分配到三個文件夾中

如你有 100 張標注了的圖片，大約 80 張圖片用于訓練數據，約 10 張圖片用于驗證數據，約 10 張圖片用于測試數據

train 路徑用于訓練模型，val 路徑用于驗證模型，test 路徑用于測試模型。在訓練和驗證期間，模型將在不同的數據集上進行訓練和驗證，以便評估模型的性能。在測試期間，模型將使用整個數據集進行測試，以確定其性能指標

需要注意的是：訓練過的圖片通常不能用于驗證數據。這是因為在訓練期間，模型已經對這些圖片進行了訓練，并學會了識別這些圖片中的對象和場景類別。

因為數據標注要花費大量的時間，這里直接拿出我最愛的皮卡丘標注數據

400多張“皮卡丘”原圖與標注結果以及yolov8的訓練結果best.pt權重和ONNX格式文件_yolov8權重轉onnx資源-CSDN文庫

在這個壓縮包中有皮卡丘圖片與標注信息，還有 yolov8 的訓練好的權重文件，我們只留下 images 和 labels 用來訓練 yolov10 版本的權重。

因為我比較懶，能用代碼解決的事就用代碼，下面我們使用 python 對數據集進行隨機分配。

修改下面代碼中 66-67 行中的

src_data_folder = '數據集路徑' target_data_folder = '處理后的數據集'

因為在 yolo 訓練中，我們并不需要將圖片和標注結果分開存放，因此我們將 train 和 val 中的 images 和 labels 里的文件都全部移出來，然后將這兩個文件夾刪掉即可。

要注意的是，不管是 train 還是 val 都需要檢查是否包含這么一個 classes.txt 文件，如果沒有的話需要自己手動補上，因為我這里的素材只有一個皮卡丘目標，并且標注為 1 了，所以只寫了一個 1。

訓練數據集的配置文件

參考路徑 C:yolov10-mainultralyticscfgdatasets 找到 voc.yaml，復制一份，自定義一個名字

執行完識別命令后，可在輸出信息中看到識別結果文件所在位置，detectpredict（數字會自動疊加）

任意打開一張圖片，找出識別前的圖片對比一下，皮卡丘已經被框出來了，并打上我們設置的 pkq 標簽。

至此~我們就完成了 YOLOv10 目標檢測模型的訓練與識別工作了！整個實驗操作下來，Flexus 云服務器 X 實例的表現都是非常出色的！

審核編輯 黃宇