YOLOv10（1）：初探，訓練自己的數據_yolov10 訓練-CSDN博客

YOLOv10（2）：網絡結構及其檢測模型代碼部分閱讀_yolov10網絡結構圖-CSDN博客

YOLOv10（4）：損失（Loss）計算及其檢測模型代碼部分閱讀_yolov10損失函數-CSDN博客

YOLOv10（6）：YOLOv10基于TensorRT的部署（基于INetworkDefinition）_yolov10網絡結構圖-CSDN博客

---

目錄

1. 寫在前面

2. 數據集準備

3. 訓練前配置

4. 開始訓練

5. 評估模型

---

1. 寫在前面

????????我們在YOLOv10初探第一課中，已經涉及到了一些關于如何訓練自己數據集的信息，接下來本節將以VOC數據集（VOC標注形式）來更詳細的帶領小伙伴們走一遍訓練。

2. 數據集準備

????????VOC數據集，全稱為Visual Object Classes數據集，是一種廣泛使用的計算機視覺數據集，主要用于目標檢測、圖像分割和圖像分類等任務。

????????VOC類型的標注一般我們可以使用labelimg軟件完成，標注后所得到的標簽文件一般是XML類型，其中的內容形式如下。其中坐標信息是左上右下的形式。

我們要訓練 YOLOv10，一種方法是轉換成YOLO格式（txt文件形式），其內容參考如下，每一行是一個目標，包含類別ID，中心點和寬高信息（歸一化之后）。

這一步我們可以通過腳本來轉換，參考s1_voc2yolo_convert.py文件。運行該腳本以后，會在指定的數據及路徑下生成labels子文件夾，文件夾中的內容如下所示，每一張圖片對應生成一個txt標注文件。

轉換完成以后，還需要將完整的數據集劃分為測試集、訓練集和評估集，參考腳本s2_split_train_val_test.py。

運行完該腳本以后，會在數據集路徑下生成四個txt文件，分別是test.txt、train.txt、trainval.txt和val.txt，其中內容為完整的圖像路徑，如下。

3. 訓練前配置

經過以上的數據集轉換、處理以后，接下來僅需要進行簡單的配置就可以進行訓練了。

首先是數據集文件，在路徑ultralytics/cfg/datasets路徑下，仿照VOC.yaml創建一個新的文件即可。其內容如下所示。

然后是模型文件，如選擇YOLOv10m，可以直接修改ultralytics/cfg/models/v10/yolov10m.yaml文件，將其中的nc改成對應的類別數。

4. 開始訓練

處理完成數據，完成配置以后，就可以進行訓練了，前面講過，先對./ultralytics/models/yolov10/train進行一些改動，參考如下。

之后就可以開始訓練了，首先進入YOLOv10的頂層路徑，執行如下指令開始訓練。

python3 ./ultralytics/models/yolov10/train.py。

必要時使用sudo。

5. 評估模型

在訓練過程中，每一個epoch訓練完成以后都會進行相應的評估，可以觀察P、R、mAP@0.5、mAP@0.5:0.95等評估參數

也可以通過運行模型，將檢測結果繪制在圖像上進行觀看，具體使用python3 ./ultralytics/models/yolov10/predict.py，完成繪制以后，效果如下。