Skip to content

Latest commit

 

History

History

yolov10

Folders and files

NameName
Last commit message
Last commit date

parent directory

..
configs
configs
 
 
submodules
submodules
 
 
README.md
README.md
 
 
README_eng.MD
README_eng.MD
 
 
deploy.py
deploy.py
 
 
export.py
export.py
 
 
pretrain.py
pretrain.py
 
 
train.py
train.py
 
 
val.py
val.py
 
 

README.md

YoloV10t模型的训练与部署

这里将提供YoloV10t模型的训练与部署步骤。

准备

  1. 使用git克隆gd32ai-modelzoo并初始化附属模块.
git clone https://github.com/HomiKetalys/gd32ai-modelzoo
cd gd32ai-modelzoo
git submodule update --init --recursive
  1. 将项目根目录添加到PYTHONPATH并切换到yolov10文件夹中.
  • 在powershell中
$env:PYTHONPATH=$(pwd)
cd object_detection/yolov10
  1. 准备好你的数据集，其结构应该如下:
  dataset_name
  ├── images
  │   ├── title1
  │   │   ├──img1.jpg
  │   │   └──img2.jpg
  │   └── title2
  │       └──img3.jpg
  │       └──img4.jpg
  ├── label0
  │   ├── title1
  │   │   ├──img1.txt
  │   │   └──img2.txt
  │   └── title2
  │       └──img3.txt
  │       └──img4.txt
  └── label1

图像和对应标注文件应该有相同结构的路径，对于同一幅图像的不同类型标注，可以用创建label0和label1来分别保存。 标注文件中的内容格式为darknet yolo. 如下:

label cx                  cy                  h           w
0     0.7117890625000001  0.05518711018711019 0.035546875 0.07432432432432433
13    0.21646875000000004 0.25730769230769235 0.1015625   0.10280665280665281
  1. 将要用于训练的图像路径保存到train_label0.txt, 而用于验证的图像路径保存到val_label0.txt. 如下:
images\train2017\000000391895.jpg
images\train2017\000000522418.jpg
images\train2017\000000184613.jpg

如果路径是相对路径，则是相对该txt文件的路径。

Anaconda 环境准备

根据YoloV10 ，onnx2tflite 以及FastestDet 中的README安装环境。

测试过的数据集

  • COCO2017：如果你想在COCO2017上进行训练，按照以下步骤进行操作。
  1. 下载COCO2017 数据集。目录结构如下：
  COCO2017
  ├── images
  │   ├── train2017
  │   │   ├──000000000009.jpg
  ...
  │   │   └──000000581929.jpg
  │   └── val2017
  │       ├──000000000139.jpg
  ...
  │       └──000000581781.jpg
  └── annotations
      ├── instances_train2017.json
      └── instances_val2017.json
  1. 执行以下命令转换COCO2017数据集.

转换训练集

python ../../common_utils/coco2yolo.py --images_path "{datasets_root}/COCO2017/images/train2017" --json_file "{datasets_root}/COCO2017/annotations/instances_train2017.json" --ana_txt_save_path "{datasets_root}/COCO2017/coco_80/train2017" --out_txt_path "{datasets_root}/COCO2017/train2017.txt"

转换验证集

python ../../common_utils/coco2yolo.py --images_path "{datasets_root}/COCO2017/images/val2017" --json_file "{datasets_root}/COCO2017/annotations/instances_val2017.json" --ana_txt_save_path "{datasets_root}/COCO2017/coco_80/val2017" --out_txt_path "{datasets_root}/COCO2017/val2017.txt"
  1. 如果你指需要COCO中指定类别的数据集,则需要添加参数--export_categorys,比如指需要行人数据集，每种类别以空格隔开，执行以下命令
python ../../common_utils/coco2yolo.py --images_path "{datasets_root}/COCO2017/images/train2017" --json_file "{datasets_root}/COCO2017/annotations/instances_train2017.json" --ana_txt_save_path "{datasets_root}/COCO2017/coco_person/val2017" --out_txt_path "{datasets_root}/COCO2017/val2017_person.txt" --export_categorys "0"

训练

确认配置文件

配置文件.yaml在当前目录中的configs文件夹中，其内容如下:

DATASET:
  TRAIN: "../../../datasets/coco2017/train2017.txt"
  VAL: "../../../datasets/coco2017/val2017.txt"
  NAMES: "configs/coco_80.names"
MODEL:
  NC: 80
  INPUT_WIDTH: 256
  INPUT_HEIGHT: 256
  SEPARATION: 3
  SEPARATION_SCALE: 2
  REG_MAX: 1
  REG_SCALE: 0.5
TRAIN:
  LR: 0.001
  THRESH: 0.25
  WARMUP: true
  BATCH_SIZE: 96
  END_EPOCH: 300
  MILESTIONES:
    - 100
    - 200
    - 250
  AMP: False
  USE_TAA: False
VAL:
  CONF: 0.001
  NMS: 0.5
  IOU: 0.4
  1. 对各配置参数进行配置，比较关键是是数据集路径的设置和标签名称文件的设置。

开始训练

执行以下命令开始训练。将--yaml参数修改为你自己的配置文件。如果你需要在某个预训练上继续训练，则添加--weight参数，指定pth文件的路径。

python train.py --config configs/coco_80.yaml

训练结果将会被保存到results/train。以配置文件coco_80.yaml为例，第一次训练的结果将会被保存到results/train/coco_80_0000。

模型导出与验证

接下来把模型导出为onnx或tflite。执行以下命令进行导出。如果你需要进行部署，可以跳过这一步，部署过程会顺便导出模型。

python export.py --config results/train/coco_80_0000/coco_80.yaml --weight results/train/coco_80_0000/weights/best.pth --convert_type 1 --tflite_val_path "{datasets_root}/COCO2017/images/val2017"

convert_type 控制导出类型，0表示onnx，1表示tflite。如果导出的模型类型为tflite，则会自动进行量化。如果你需要对导出的模型进行验证，则需要指定--eval True。

模型部署

接下来将导出的模型转换成C语言代码，或进一步，部署到具体的芯片上。以“deployment/GD32H759I_EVAL_GCC/MDK-ARM/GD32H759I_EVAL.uvprojx”为例。

  1. 从下面两种推理引擎中选择一种。

  • X-CUBEI-AI：如果你选择使用X-CUBE-AI则需要下载X-CUBE-AI 并解压。根据下表选择你需要的版本。若需要的版本小于9.0.0，则需要预先安装STM32CUBEIDE ，并在STM32CUBEIDE中安装对应版本的X-CUBE-AI，然后根据issue 中的提示复制文件。

  • TinyEngine：如果你选择使用TinyEngine，则不需要额外操作，这是本项目自带的，但是对于ARMCC，只支持AC6。

  1. 安装keil5 5.29。
  2. 下载gcc-arm-none-eabi 10.3-2021.10并解压，如果使用ARMCC则不需要。
  3. 本例中要在GD32H7设备上部署，下载GD32H7xx AddOn 并进行安装。
  4. 执行以下命令生成模型推理C语言代码，其中各参数修改为你需要的参数，参数--c_project_path如果为文件夹路径，则会在该文件夹下生成Edge_AI文件夹，如果是keil5的.uvprojx文件，则会直接部署到对应的keil5工程中。如果你使用TinyEngine，则不需要传入--stm32cubeai_path。
python deploy.py --config results/train/coco_80_0000/coco_80.yaml --weight results/train/coco_80_0000/best.pth --tflite_val_path "{datasets_root}/COCO2017/images/val2017" --c_project_path ../../modelzoo/deployment/GD32H759I_EVAL_GCC/MDK-ARM/GD32H759I_EVAL.uvprojx --series h7 --stm32cubeai_path ”{X-CUBE-AI PATH}/stedgeai-windows-9.0.0“
  1. 使用keil5打开"deployment/GD32H759I_EVAL_GCC/MDK-ARM/GD32H759I_EVAL.uvprojx"并在keil5中配置gcc路径，如果是ARMCC则不需要。如果你指定--c_project_path为文件夹路径，则还需要在你需要手动复制生成的代码，并在需要使用该模型的keil5工程中添加对应.c文件，include path以及.a(.lib）库文件。如果你使用TinyEngine，则还需要在keil5工程设置CMSIS版本为5.9.0，CMSIS-DSP版本为1.16.2，CMSIS-NN版本为4.1.0。样例工程我已完成配置。
  2. 在ai_model.h的文件末尾实现你的图像读取方法，对于样例工程，提供了图像读取方法的示例，取消对应的图像读取方法的注释即可。
  3. 在你的工程中调用AI_Run()来运行模型，调用get_obj_num()获取检测目标数量，调用get_obj_name(id)获取第id个目标的类别，调用get_obj_xyxy(id,&x0,&y0,&x1,&y1)获取第id个目标的框。样例工程已写好样例应用。最后编译并烧录。

运行图像

coco2017 on gd32