在行空板M10上运行 YOLOv10：高效物体检测的分步指南
对于有兴趣在紧凑型硬件平台上部署高级对象检测算法的开发人员、教育工作者和业余爱好者，本指南提供了全面的概述。如果您希望探索 AI 与嵌入式系统的集成，尤其是在[行空板M10](https://www.dfrobot.com.cn/goods-3404.html) 单板计算机上使用 YOLOv10 算法，您会发现它特别有用。您将学习如何设置环境、优化模型以提高性能以及实现实际应用。这使它成为提高您在 AI 和嵌入式系统开发方面的技能的宝贵资源。## 1. 简介
### 1.1 YOLOv10简介
YOLO（You Only Look Once）系列是目前主流的端侧物体检测算法之一，最早由Joseph Redman等人提出，随着时间的推移，已经发布了多个版本，每个版本在性能和速度上都有“看似”的提升。
本文介绍的是运行在行空板M10板子上的 YOLOv10。YOLOv10 由清华大学研究团队提出，遵循 YOLO 系列的设计原则，致力于打造实时、端到端的高性能物体检测器。YOLOv10 弥补了 YOLO 系列在后处理和模型架构方面的不足，通过消除非极大值抑制 (NMS) 操作和优化模型架构，YOLOv10 在达到 SOTA 性能的同时，显著降低了计算开销。在标准物体检测基准上进行的大量实验表明，YOLOv10 在各个模型规模上在计算量-精度权衡方面显著优于之前的 SOTA 模型。如下图所示，YOLOv10-S / X 比性能相近的 RT-DETR R18 / R101 快 1.8 倍 / 1.3 倍。相比于YOLOv9-C，在同等性能下，YOLOv10-B将延迟降低了46%。此外，YOLOv10还展现出极高的参数利用效率，YOLOv10-L/X的参数量分别减少了1.8倍和2.3倍，性能比YOLOv8-L/X高出0.3 AP和0.5 AP；YOLOv10-M的参数量分别减少了23%和31%，但性能却与YOLOv9-M/YOLO-MS相近。
yolov10性能参数对比
### 1.2 行空板M10介绍
[行空板M10](https://www.dfrobot.com.cn/goods-3404.html)是专为Python学习使用而设计的新一代国产开源硬件，采用单板机架构，集成LCD彩屏、WiFi蓝牙、各类常用传感器、丰富的扩展接口，自带Linux操作系统和Python环境，预装常用Python库，学生和老师只需两步即可开始Python教学。
行空板M10基于主频 1.2GHz 的 RK3308 Arm 64 位四核处理器，配备 512MB DDR3 内存和 16GB eMMC 硬盘，运行 Debian 10 操作系统。还支持 2.4G Wi-Fi 和蓝牙 4.0，采用 RTL8723DS 芯片。行空板M10还集成了主频 108MHz 的 GD32VF103C8T6 RISC-V 协处理器、64KB Flash 和 32KB SRAM。
行空板M10具有各种板载组件，包括 Home 按钮、A/B 按钮、2.8 英寸触摸彩色屏幕（分辨率为 240x320）、电容式硅麦克风、PT0603 光敏三极管光传感器、无源蜂鸣器和蓝色 LED。它还具有 ICM20689 六轴传感器，其中包括三轴加速度计和三轴陀螺仪。
接口方面，行空板M10提供了丰富的连接方式，拥有一个 USB Type-C 接口，用于将 CPU 连接到 PC 进行编程或为主板供电，还有一个 USB TYPE-A 接口，用于连接外部 USB 设备。此外，该板还具有一个 microSD 卡接口，可用于扩展存储空间，一个支持三个 10 位 PWM 通道和两个 12 位 ADC 通道的 3Pin I/O，一个独立的 4Pin I2C 接口，以及 19 个与 micro:bit 兼容的独立 I/O 金手指，支持各种通信协议和功能。
### 1.3 在行空板M10上使用 YOLOv10 进行物体检测
在本文中，我们将使用 DFRobot 开发的行空板M10 运行 YOLOv10，并尝试通过转换为 ONNX 格式来加速它。
在行空板上部署 YOLOv10 具有重要的实际意义和教育意义：
**1. 便携性与部署灵活性：** 行空板M10 体积小巧，适合嵌入到空间受限的设备中，实现便携的物体检测部署。相比大型计算机，行空板M10更适合现场和移动场景。
**2. 性价比高：** 行空板M10成本相对较低，适合预算有限的项目和教育用途。通过在行空板M10上运行 YOLOv10，可以进行低成本的物体检测应用开发和实验。
**3. 学习与实验平台：** 行空板M10提供了丰富的接口和板载组件，非常适合作为学习与实验平台。通过在 行空板M10上运行 YOLOv10，学生和开发者可以深入了解嵌入式系统与人工智能的融合，了解资源受限环境下的优化和加速算法。
**4. 技术挑战与创新：**在资源有限的 行空板 上运行 YOLOv10 需要克服与计算性能和内存限制相关的挑战。这为开发人员提供了探索和创新的机会，可以尝试各种优化技术，例如模型压缩、量化和硬件加速。
## 2.准备：设置运行YOLOv10的环境
为了在行空板M10上成功运行 YOLOv10，我们将使用 Ultralytics 提供的库进行部署。首先，我们需要确保 行空板M10上的 Python 环境满足 YOLOv10 的要求，具体升级到 Python 3.8 或更高版本。为此，我们建议使用 MiniConda 进行版本管理，以便轻松切换和管理不同的 Python 环境。
步骤如下：
**1. 安装 MiniConda：**首先，在行空板M10上下载并安装 MiniConda。MiniConda 是一个轻量级 Python 发行版，专门用于简化 Python 环境和软件包安装的管理。
**2. 创建新环境：**使用 MiniConda 创建一个 Python 3.8 或更高版本的虚拟环境。这可以确保我们部署 YOLOv10 不会受到系统默认 Python 环境的影响，避免出现兼容性问题。
**3.激活环境：**激活新创建的虚拟环境，使其成为当前工作环境。
**4. 安装 Ultralytics 库：**在激活的虚拟环境中，使用 pip 命令安装 Ultralytics 提供的 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。
通过以上步骤，我们成功地将 YOLOv10 部署到了 行空板上，充分利用了其强大的物体检测能力。这种方式不仅保证了 YOLOv10 的高效运行，还便于环境管理和版本控制，为后续的开发和实验打下了稳定的基础。另外，通过使用 MiniConda 进行版本管理，我们可以更灵活地应对不同项目的 Python 环境需求，提高开发效率。
以下是详细步骤：
### 步骤1检查当前Python版本：
在终端中输入：
```
python --version
```
终端显示：
```
Python 3.7.3
```
Ultralytics 不支持低版本的 Python，因此需要升级 Python。我们选择使用 MiniConda 进行版本管理和升级。
注意：不要使用 Anaconda，因为它在行空板M10上运行时可能会出现错误。
### 第 2 步下载 MiniConda：
在终端中输入：
```
wget https://github.com/conda-forge/miniforge/releases/latest/download/Miniforge3-Linux-aarch64.sh
```
下载完成后终端显示：
```
Saved “Miniforge3-Linux-aarch64.sh” )
```
### 步骤 3 安装 MiniConda：
在终端中输入：
```
sudo bash Miniforge3-Linux-aarch64.sh
```
按照提示按ENTER或者yes键即可。终端最后显示：
```
Added mamba to /root/.bashrc
==> For changes to take effect, close and re-open your current shell. <==
Thank you for installing Miniforge3!
```
在终端中输入：
```
source ~/.bashrc
```
安装完成后在终端输入：
```
conda
```
终端显示：
### 步骤4激活Conda：
在终端中输入：
```
conda activate
```
终端显示变化如下：
#### root@unihiker：
到：
####(base)root@unihiker:
表示 Conda 激活成功。
### 步骤5 在Conda中创建YOLO环境：
将环境命名为“yolo”，并选择 Python 版本 3.11。在终端中输入：
```
conda create -n yolo python==3.11
```
在此过程中，显示屏显示：
输入“y”
环境创建完成后，终端显示：
### 步骤6激活YOLO环境：
在终端中输入：
```
conda activate yolo
```
终端显示变化如下：
#### （基地）根@unihiker：
到：
#### （yolo）root@unihiker：
表示成功激活YOLO环境。
### 步骤 7 安装 Ultralytics：
在终端中输入：
```
pip install ultralytics
```
完成后终端显示：
### 步骤 8 安装 Pillow 库：
在终端中输入：
```
pip install pillow
```
如果已经安装，终端显示：
```
Requirement already satisfied: pillow in /root/miniforge3/envs/yolo/lib/python3.11/site-packages (10.3.0)
```
### 步骤9安装OpenCV：
在终端中输入：
```
pip install opencv-python
```
如果已经安装，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)
```
### 步骤 10 安装 Hugging Face 库：
在终端中输入：
```
pip install huggingface
```
### 步骤11 安装Hugging Face Hub库：
在终端中输入：
```
pip install huggingface_hub
```
## 3.快速入门：运行原生 YOLOv10
### 步骤1从GitHub下载项目：
YOLOv10项目网址：https://github.com/THU-MIG/yolov10
在终端中输入：
```
git clone https://github.com/THU-MIG/yolov10.git
```
下载 YOLOv10 项目。然后在终端中输入以下内容进入目录：
```
cd yolov10
```
### 步骤2 准备所需文件：
重量文件：
####
### 步骤3创建Python文件：
快速启动.py
示例代码：
```
Python
from ultralytics import YOLO
# Load a pretrained YOLO model (recommended for training)
model = YOLO("yolov10n.pt")
# Perform object detection on an image using the model
results = model("https://ultralytics.com/images/bus.jpg")
# Save results to disk
results.save(filename=f"result_bus.jpg")
```
### 步骤4 确认YOLO环境已激活：
在终端中输入：
```
conda activate yolo
```
确认终端显示：
### 步骤 5 运行你编写的 Python 脚本：
在终端中输入：
```
python quick_start.py
```
终端显示：
使用原生的YOLOv10n模型进行单张图片推理大约需要7秒。
自动下载了我们为 YOLO 推理准备的图像“bus.jpg”，如下所示：
最终模型推理结果存储为“result_bus.jpg”：
## 4. 优化：转换为 ONNX 格式
运行原生的YOLOv10n的时候速度比较慢，所以我们需要将其转换为ONNX格式，以加快其运行速度。
本节介绍如何将yolov10n.pt转换为ONNX格式，以加速其运行。以下是详细步骤：
### 步骤1 移动到上一节创建的YOLO目录：
在终端中输入：
cd yolov10
### 步骤2 创建一个名为export_onnx.py的Python文件，内容如下：
```
Pythonfrom ultralytics import YOLO # Load a modelmodel = YOLO("yolov10n.pt")# load an official model # Export the modelmodel.export(format="onnx")
```
### 步骤3确认YOLO环境已激活：
在终端中输入：
```
conda activate yolo
```
确认终端显示：
### 步骤 4 运行你编写的 Python 脚本：
在终端中输入：
```
python export_onnx.py
```
终端显示：
可以看到转换后的文件“yolov10n.onnx”已被自动保存。
### 步骤5 编写文件来运行ONNX模型：
创建一个名为predict_onnx.py的文件，并写入以下代码：
```
Pythonfrom 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.save(filename=f"result_bus_onnx.jpg")
```
### 步骤6 运行推理代码：
在终端中输入：
```
python predict_onnx.py
```
终端显示：
该目录生成预测结果：
可以看到使用ONNX模型进行物体检测大概需要6.5秒，比原生模型快了0.5秒。
## 5.进一步优化：减小输入图像尺寸
显然，目前的推理速度仍然很慢。
如果想要提升推理速度，可以减小输入图片大小。在导出 ONNX 模型时，我们可以设置 imgsz 参数来指定输入图片大小。如果输入图片大小不确定，我们也可以设置 dynamic 参数为 True，让导出的 ONNX 可以接受任意大小的图片输入进行推理。具体步骤如下：
### 步骤1 移动到上一节创建的YOLO目录：
在终端中输入：
```
cd yolov10
```
### 步骤2 创建一个名为export_onnx.py的Python文件，内容如下：
这一步我们将动态参数设置为True。
```
Pythonfrom ultralytics import YOLO # Load a modelmodel = YOLO("yolov10n.pt")# load an official model # Export the modelmodel.export(format="onnx", dynamic = True)
```
### 步骤3确认YOLO环境已激活：
在终端中输入：
```
conda activate yolo
```
确认终端显示：
### 步骤 4 运行你编写的 Python 脚本：
在终端中输入：
```
python export_onnx.py
```
终端显示：
可以看到文件“yolov10n.onnx”已自动保存。
### 步骤5 编写文件来运行ONNX模型：
创建一个名为predict_onnx.py的文件，并写入以下代码：
```
Pythonfrom 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.save(filename='bus_640.jpg')print(256)results = onnx_model("bus.jpg", imgsz = 256)results.save(filename='bus_256.jpg')print(128)results = onnx_model("bus.jpg", imgsz = 128)results.save(filename='bus_128.jpg')print(64)results = onnx_model("bus.jpg", imgsz = 64)results.save(filename='bus_64.jpg')
```
本代码中我们分别测试了原始尺寸图像、256尺寸图像、128尺寸图像、64尺寸图像的运行情况。
### 步骤6 运行推理代码：
在终端中输入：
```
python predict_onnx.py
```
终端显示：
原图大小为1080*810，原生YOLOv10n最大预测尺寸为640，耗时约6秒，结果如下：
当输入大小为448时，耗时约为秒。结果如下：
当输入大小为320时，耗时约为1.2秒，结果如下：
当输入大小为256时，所需时间约为0.8秒。
当输入大小为128时，所需时间约为0.4秒。
## 总结：
** 注意：**性能基于 bus.jpg 图像。如果您有自己的数据集，可能需要进一步测试。
本次测试准确率判断标准为：
## 6.与YOLOv8n的比较
使用官方代码，图像大小与运行时间对比如下：
**注意：**准确度是使用 bus.jpg 测试的。如果您有自己的数据集，可能需要进一步测试。
## 7. 结论
#### 行空板M10可以运行 YOLOv10n
使用行空板M10，用简单的代码即可运行YOLOv10n，速度比YOLOv8n稍快。
#### 本文介绍如何在行空板M10上完成YOLOv10的部署
YOLOv10 虽然是基于 Ultralytics 开发的，但是单纯安装 Ultralytics 库并不能直接运行 YOLOv10，还是需要 clone 官方仓库。
#### 推荐的分辨率配置
如果使用行空板M10进行图片物体检测，可以考虑使用448的输入分辨率，单张图片的处理时间大概为2.5秒，准确率已经很不错了。如果使用行空板M10进行视频物体检测，考虑到行空板M10的算力，建议使用128的输入分辨率，单张图片的处理时间大概为0.28秒，不过此时表现一般。可以考虑使用YOLOv8n的128输入分辨率，准确率表现更佳。同样，准确率表现是基于bus.jpg的测试，如果你有自己的数据集，可能还需要进一步测试。
#### 持续优化，敬请期待
我们会持续优化YOLOv10n在行空板M10上的运行，敬请期待。
好文章！马上来试试。谢谢作者。
页:
[1]