YOLOv10文件结构解析及模型下载指南

YOLOv10文件结构解析及模型下载指南

引用

CSDN

1.

https://blog.csdn.net/S13352784013/article/details/143418037

YOLOv10是清华大学提出的实时端到端目标检测模型，在NeurIPS 2024上发表。本文将详细介绍YOLOv10项目的文件结构，并提供模型下载的具体方法。

环境配置与官方资源

在开始之前，可以参考以下资源进行环境配置和获取官方源码：

• Windows环境配置教程：Windows下的YOLOv10环境配置教程（超全）
• 官方源码仓库：THU-MIG/yolov10
• 模型下载页面：Releases · THU-MIG/yolov10

代码结构解析

在yolov10目录下，通过tree .命令可以打印当前目录的树状结构，如下所示：

├─datasets                   
│  └─coco128                 
│      ├─images              
│      │  └─train2017        
│      └─labels              
│          └─train2017
├─docker
├─docs
│  ├─en
│  │  ├─datasets
│  │  │  ├─classify
│  │  │  ├─detect
│  │  │  ├─explorer
│  │  │  ├─obb
│  │  │  ├─pose
│  │  │  ├─segment
│  │  │  └─track
│  │  ├─guides
│  │  ├─help
│  │  ├─hub
│  │  │  ├─api
│  │  │  ├─app
│  │  │  └─on-premise
│  │  ├─integrations
│  │  ├─models
│  │  ├─modes
│  │  ├─reference
│  │  │  ├─cfg
│  │  │  ├─data
│  │  │  │  └─explorer
│  │  │  │      └─gui
│  │  │  ├─engine
│  │  │  ├─hub
│  │  │  ├─models
│  │  │  │  ├─fastsam
│  │  │  │  ├─nas
│  │  │  │  ├─rtdetr
│  │  │  │  ├─sam
│  │  │  │  │  └─modules
│  │  │  │  ├─utils
│  │  │  │  └─yolo
│  │  │  │      ├─classify
│  │  │  │      ├─detect
│  │  │  │      ├─obb
│  │  │  │      ├─pose
│  │  │  │      └─segment
│  │  │  ├─nn
│  │  │  │  └─modules
│  │  │  ├─solutions
│  │  │  ├─trackers
│  │  │  │  └─utils
│  │  │  └─utils
│  │  │      └─callbacks
│  │  ├─tasks
│  │  ├─usage
│  │  └─yolov5
│  │      ├─environments
│  │      └─tutorials
│  └─overrides
│      ├─assets
│      ├─javascript
│      ├─partials
│      └─stylesheets
├─examples
│  ├─YOLOv8-CPP-Inference
│  ├─YOLOv8-LibTorch-CPP-Inference
│  ├─YOLOv8-ONNXRuntime
│  ├─YOLOv8-ONNXRuntime-CPP
│  ├─YOLOv8-ONNXRuntime-Rust
│  │  └─src
│  ├─YOLOv8-OpenCV-int8-tflite-Python
│  ├─YOLOv8-OpenCV-ONNX-Python
│  ├─YOLOv8-Region-Counter
│  ├─YOLOv8-SAHI-Inference-Video
│  └─YOLOv8-Segmentation-ONNXRuntime-Python
├─figures
├─gradio_cached_examples
│  └─19
│      └─Annotated Image
│          ├─710915f7fed97abae2d9
│          └─aebfccadc4c77ddac1e1
├─logs
├─models
├─runs
│  └─detect
│      └─train
│          └─weights
├─tests
└─ultralytics
    ├─assets
    ├─cfg
    │  ├─datasets
    │  ├─models
    │  │  ├─rt-detr
    │  │  ├─v10
    │  │  ├─v3
    │  │  ├─v5
    │  │  ├─v6
    │  │  ├─v8
    │  │  └─v9
    │  ├─trackers
    │  └─__pycache__
    ├─data
    │  ├─explorer
    │  │  ├─gui
    │  │  └─__pycache__
    │  ├─scripts
    │  └─__pycache__
    ├─engine
    │  └─__pycache__
    ├─hub
    │  └─__pycache__
    ├─models
    │  ├─fastsam
    │  │  └─__pycache__
    │  ├─nas
    │  │  └─__pycache__
    │  ├─rtdetr
    │  │  └─__pycache__
    │  ├─sam
    │  │  ├─modules
    │  │  │  └─__pycache__
    │  │  └─__pycache__
    │  ├─utils
    │  ├─yolo
    │  │  ├─classify
    │  │  │  └─__pycache__
    │  │  ├─detect
    │  │  │  └─__pycache__
    │  │  ├─obb
    │  │  │  └─__pycache__
    │  │  ├─pose
    │  │  │  └─__pycache__
    │  │  ├─segment
    │  │  │  └─__pycache__
    │  │  └─__pycache__
    │  ├─yolov10
    │  │  └─__pycache__
    │  └─__pycache__
    ├─nn
    │  ├─modules
    │  │  └─__pycache__
    │  └─__pycache__
    ├─solutions
    ├─trackers
    │  └─utils
    ├─utils
    │  ├─callbacks
    │  │  └─__pycache__
    │  └─__pycache__
    └─__pycache__

目录功能解析

• datasets：存放数据集的目录；训练模型时自动下载的COCO等数据集会保存在这个目录

• coco128：COCO128数据集

• images：图片

• train2017：训练集；根据coco128.yaml，该数据集验证集与训练集相同

• labels：标签

• train2017：训练集对应的标签

• docker：Docker容器相关文件，用于容器化部署。一般用不上

• docs：项目文档目录

• en：英文文档目录

• overrides：MkDocs配置覆盖目录

• examples：示例代码目录

• YOLOv8-CPP-Inference：YOLOv8的C++推理示例

• YOLOv8-LibTorch-CPP-Inference：YOLOv8的LibTorch C++推理示例（以下均为相关推理示例）

• YOLOv8-ONNXRuntime

• YOLOv8-ONNXRuntime-CPP

• YOLOv8-ONNXRuntime-Rust

• YOLOv8-OpenCV-int8-tflite-Python

• YOLOv8-OpenCV-ONNX-Python

• YOLOv8-Region-Counter

• YOLOv8-SAHI-Inference-Video

• YOLOv8-Segmentation-ONNXRuntime-Python

• figures：存放项目相关的图像文件

• latency.svg: 延迟图

• params.svg: 参数图

• logs：存放YOLOv10对应六个预训练模型的训练日志

• models：存放模型文件的目录（这个目录需要自己创建并导入模型）

• runs：存放运行结果的目录

• detect：检测结构

• train：第一次训练结果

• val：第一次验证结果

• predict：第一次推理结果

• tests：存放测试代码的目录

• ultralytics：YOLOv10核心代码目录

• assets：存放默认推理图片

• cfg：配置文件目录（yaml文件目录）

• datasets：存放数据集yaml文件，如果想使用自制数据集，需要在这里添加对应yaml文件

• models：存放模型yaml文件

• trackers

• data：数据文件目录

• engine

• hub

• models：模型代码目录

• nn：神经网络代码目录

• solutions：解决方案目录

• trackers：跟踪器目录

• utils：工具函数目录

模型下载方法

截至目前，最新版本的YOLOv10预训练模型需要在GitHub Releases页面下载。以下是模型下载的具体步骤：

1. 访问YOLOv10的GitHub Releases页面：Releases · THU-MIG/yolov10
2. 在页面中选择需要的模型版本并点击下载

注意：如果直接从GitHub主页的README文件点击模型链接，会跳转到Hugging Face平台，而不是直接下载模型。因此，建议直接访问Releases页面进行下载。