网站颜色正确搭配实例目录搜索引擎有哪些

本文摘要

摘要：本文主要使用YOLOV10深度学习框架自训练了一个“餐盘菜品目标检测模型”，基于此模型使用PYQT5实现了一款界面软件用于功能演示。让您可以更好的了解和学习，该软件支持图片、视频以及摄像头进行目标检测，本系统所涉及的训练数据及软件源码已打包上传。可点下发 原文链接获取

原文链接：源码及训练数据集下载(可一对一指导)

1. 数据集准备与标注、训练

详见：【菜品识别专栏】菜品目标检测数据集标注及处理（Yolov10）

目标检测的数据，在一张图像中，需要以最小外接矩形标记出各个目标区域的位置和类别，
常见的目标检测数据集：

• VOC采用的[x1,y1,x2,y2]，表示物体的最小外接矩形框，VOC数据指的是Pascal VOC比赛使用的数据。VOC数据是每个图像文件对应一个同名的xml文件，xml文件中标记物体框的坐标和类别等信息。
• COCO采用的[x1,y1,w,h]，表示物体的最小外接矩形框，COCO数据是COCO比赛使用的数据。以json文件记录数据格式。
  LabelImg可以标注VOC格式的数据，对图像做目标框的标注。
  本文的数据集既包含：voc格式，也包含coco格式。

2. 软件运行

1. 获取源码
   

2. 依赖环境下载

conda create -n yolov10 python=3.9
conda activate yolov101.切换到yolov10源码根目录下，安装依赖
注意：会自动根据你是否有GPU自动选择pytorch版本进行按照，这里不需要自己去选择pytorch和cuda
pip install -r requirements.txt -i https://pypi.doubanio.com/simple
2.运行下面的命令，才可以在命令行使用yolo等命令
pip install -e .python train.py

3. 源码运行

python main.py

4. 图片检测演示
   

5. 摄像头检测演示

3. 模型训练&训练结果评估

详见：【深度学习】深度学习模型训练结果分析及效果评估以及Yolo训练结果解释
上文包括：混淆矩阵、查准率和召回率、单一类准确率等 概念的解释以及示例

4. 源码讲解

1. 模型加载
   

2. 读取图片，推理画框
   
   

3. 启动摄像头
   

4. 获取摄像头视频帧，推理画框