（一）YOLOv10-main项目工程获取

去GitHub下载开源项目工程，直达链接：GitHub - THU-MIG/yolov10: YOLOv10: Real-Time End-to-End Object Detection [NeurIPS 2024] · GitHub

GitHub - THU-MIG/yolov10: YOLOv10: Real-Time End-to-End Object Detection [NeurIPS 2024] · GitHubhttps://github.com/THU-MIG/yolov10

因为Github是国外的网站，网页会很卡，有条件可上tizi，也可以用加速器，下载完解压到电脑，右键使用pycharm打开整个工程

（二）conda环境搭建

1.创建yolov10环境

conda create -n yolov10 python=3.9

在终端输入以上命令，回车

根据指引输入y 

创建完成后输入以下指令激活环境，当出现（yolov10）则说明创建并激活成功

conda activate yolov10

2.安装所需软件包

执行以下命令安装软件包

pip install -r requirements.txt

pip install -e .

等待所需软件包下载完成

（三）数据集制作

1.创建datasets文件夹

创建datasets文件夹于yolov10的根目录下

文件结构为：

--datasets

        --E-bike(文件的命名根据自己情况写项目名称，我训练对象只有电动车所以写E-bike)

                --images：存放图片
                        --train:训练集图片
                        --val: 验证集图片
                --labels:存放标签
                        --train:训练集标签文件，要与训练集图片名称一一对应
                        --val：验证集标签文件，要与验证集图片名称一一对应
                        --classes.txt(可以没有)：这个文件是标注的类型文件

2.搜集训练所需图片

       一般来说，训练集与验证集的数据比例是8:2,即如果有100张图片，那么80张作为训练集放在，20张作为验证集，一般普通场景的数据集图片要训练1000张以上准确率才比较可观，我这里为了方便理解只在网上找了100张图片，把数据集的图片按照train_ebike_001.jpg 至 train_ebike_080.jpg（放入images/train），val_ebike_001.jpg 至 val_ebike_020.jpg（放入images/val）的命名来训练

附:批量命名.py文件

import os


def batch_rename_files():
    # ====================== 请修改这里的路径 ======================
    # 目标文件夹路径（改成你要重命名的文件夹，比如E:\YOLO\datasets\bvn\images\train）
    target_folder = r"E:\YOLOV10\images\train"
    # 文件名前缀（可根据需要修改，比如val_ebike_xxx.jpg）
    prefix = "train_e-bike_"
    # 文件后缀（默认jpg，若你的图片是png可改成.png）
    suffix = ".jpg"
    # 起始序号（从1开始）
    start_num = 1
    # 结束序号（比如80张就设80）
    end_num = 80
    # =============================================================

    # 1. 检查文件夹是否存在
    if not os.path.exists(target_folder):
        print(f"错误：文件夹 {target_folder} 不存在！")
        return

    # 2. 获取文件夹内的所有文件，筛选出图片文件（仅处理jpg/jpeg/png）
    image_extensions = ('.jpg', '.jpeg', '.png')
    files = [f for f in os.listdir(target_folder)
             if os.path.isfile(os.path.join(target_folder, f))
             and f.lower().endswith(image_extensions)]

    # 检查文件数量是否匹配
    file_count = len(files)
    if file_count != end_num - start_num + 1:
        print(
            f"警告：文件夹内有 {file_count} 张图片，但你设置的序号范围是 {start_num}-{end_num}（共{end_num - start_num + 1}个）！")
        confirm = input("是否继续重命名（剩余/超出文件会被跳过）？(y/n)：")
        if confirm.lower() != 'y':
            return

    # 3. 按原文件名排序（避免乱序，若想按修改时间排序可注释这行）
    files.sort()

    # 4. 批量重命名
    rename_count = 0
    for i, old_filename in enumerate(files):
        # 计算当前序号，超过end_num则停止
        current_num = start_num + i
        if current_num > end_num:
            print(f"已达到结束序号 {end_num}，停止重命名")
            break

        # 生成新文件名（补零成3位，比如1→001，10→010）
        new_filename = f"{prefix}{current_num:03d}{suffix}"
        old_path = os.path.join(target_folder, old_filename)
        new_path = os.path.join(target_folder, new_filename)

        # 避免覆盖已有文件
        if os.path.exists(new_path):
            print(f"跳过：{new_filename} 已存在，避免覆盖")
            continue

        # 执行重命名
        try:
            os.rename(old_path, new_path)
            print(f"成功：{old_filename} → {new_filename}")
            rename_count += 1
        except Exception as e:
            print(f"失败：{old_filename} 重命名出错 → {e}")

    # 5. 输出结果
    print(f"\n重命名完成！共处理 {rename_count} 个文件")


if __name__ == "__main__":
    # 重要提示：运行前建议备份文件夹内的文件！
    print("⚠️  重要提醒：运行前请先备份目标文件夹内的所有文件，避免误操作！")
    confirm = input("确认要执行重命名吗？(y/n)：")
    if confirm.lower() == 'y':
        batch_rename_files()
    else:
        print("已取消重命名操作")

修改相关参数，运行py文件

3. 打标签labelimg工具安装

在第二步中创建的yolov10环境中安装lebelimg标注软件，用于制作自己的数据集

conda activate yolov10

pip install labelimg

安装完成之后输入命令labelimg打开软件

labelimg

首先点击open dir选择打开上面创建的images/train文件

然后点击Change save dir为其选择对应存放标签的文件，用于存放打的标签信息

设置标注完文件自动保存：工具栏 view-auto save mode

然后点击PasoalVOC使其转换为YOLO模式，最后点击SAVE保存修改

开始标注图片，点击Create Rectbox（快捷方式为键盘的 W）,框选要训练识别的部分，在弹出的对话框中输入标签名字，点击OK，完成之后点击Nextra Image，开始标注下一张图片（快捷方式为键盘的 D），依次标注完成，然后会在此前设置好的保存目录中得到标注信息.

train图片标注完成之后，同理打开val验证集文件进行标注，同理标签文件保存在labels/val中……

注：yolov10标注完成后的.txt数据文件中，每一行的数据格式为： 类型   x中心坐标   y中心坐标   宽度   高度

4.整理数据集datasets文件

打完标签之后检查自己的数据严格按照以下格式存放文件

--datasets

        --E-bike(文件的命名根据自己情况写项目名称，我训练对象只有电动车所以写E-bike)

                --images：存放图片
                        --train:训练集图片
                        --val: 验证集图片
                --labels:存放标签
                        --train:训练集标签文件，要与训练集图片名称一一对应
                        --val：验证集标签文件，要与验证集图片名称一一对应
                        --classes.txt(可以没有)：这个文件是标注的类型文件

（四）开启训练

1.配置文件

在yolov10-main根目录下创建一个.yaml配置文件

yolov10_E-bike.yaml

path: E-bike # datasets root dir
train: images/train # train images (relative to 'path') 
val: images/val # val images (relative to 'path') 

# Classes
names:
  0: e-bike

 注：path为从datasets目录开始算的根文件夹名称

        train与val为训练集与验证集的位置

        names这里就是分类标签，可以按照标注后生成的calsses.txt文件填

2.启动训练

（1）方式一：使用cpu训练

这是当电脑没有独立显卡时，只能使用cpu训练，但训练的效果不佳，不太推荐

运行命令

yolo detect train data=yolov10-E-bike.yaml model=yolov10n.pt epochs=100 batch=1 imgsz=640 device=cpu cache=False

（2）方式二：使用显卡CUDA加速（推荐）

首先检查是否装有CUDA版本的PyTorch

运行以下.py文件，输出打印显示 False 表示未安装，则卸载pytorch重新安装CUDA版本的pytorch（当打印为Ture表示已安装此版本的pytorch可以跳过安装步骤直接开始训练）

import

torch print(torch.cuda.is_available()) # 输出True=正常，False=需重装PyTorch

我这里显示未安装，则需要卸载重新安装一下

运行以下命令卸载

pip uninstall torch torchvision -y

运行以下命令安装CUDA版本的pytorch

pip install torch==2.0.1 torchvision==0.15.2 --index-url https://download.pytorch.org/whl/cu118

运行以下命令开始训练！！！

 yolo detect train data=yolov10-E-bike.yaml model=yolov10s.pt epochs=100 batch=8 imgsz=640 device=0 amp=True cache=True

训练完成后，得到best.pt

（五）推理测试

创建一个测试集文件夹，运行以下代码来测试训练的情况，我这里找了10张图片来验证

yolo predict model=E:\YOLO\yolov10-main\yolov10-main\runs\detect\train2\weights\best.pt source=E:\YOLO\yolov10-main\yolov10-main\detect imgsz=640 device=0 conf=0.7 save =True

在predict文件夹中即可看到推理的置信度及画框情况

（六）部署到RK3588边缘设备

1.pt转onnx

转换需要在ubuntu系统上进行转换，没有的可以去下载个虚拟机，安装ubuntu系统，运行以下命令，pt→onnx

yolo export model=./best.pt format=rknn opset=13 simplify=True

model：修改为自己的best.pt路径

验证best.onnx是否可用，运行以下命令

yolo predict model=E:\YOLO\yolov10-main\yolov10-main\runs\detect\train2\weights\best.onnx source=E:\YOLO\yolov10-main\yolov10-main\predict imgsz=640 device=0 save=True

2.onnx转rknn

rknn的转换也需要在Ubuntu系统，并且需要安装rknn-toolkit2环境，可以在这https://github.com/airockchip/rknn-toolkit2下载最新版，安装完使用以下开源的程序转换https://github.com/airockchip/rknn_model_zoo/examples/yolov10/python/convert.pyhttps://github.com/airockchip/rknn_model_zoo/examples/yolov10/python/convert.py

文件夹格式--convert.py

                --best.onnx

                --dataset.txt（里面需要指引到量化图片的路径）

import sys
from rknn.api import RKNN

DATASET_PATH = './dataset.txt
DEFAULT_RKNN_PATH = './best.rknn'
DEFAULT_QUANT = True

def parse_arg():
    if len(sys.argv) < 3:
        print("Usage: python3 {} onnx_model_path [platform] [dtype(optional)] [output_rknn_path(optional)]".format(sys.argv[0]))
        print("       platform choose from [rk3562, rk3566, rk3568, rk3576, rk3588, rv1126b, rv1109, rv1126, rk1808]")
        print("       dtype choose from [i8, fp] for [rk3562, rk3566, rk3568, rk3576, rk3588, rv1126b]")
        print("       dtype choose from [u8, fp] for [rv1109, rv1126, rk1808]")
        exit(1)

    model_path = sys.argv[1]
    platform = sys.argv[2]

    do_quant = DEFAULT_QUANT
    if len(sys.argv) > 3:
        model_type = sys.argv[3]
        if model_type not in ['i8', 'u8', 'fp']:
            print("ERROR: Invalid model type: {}".format(model_type))
            exit(1)
        elif model_type in ['i8', 'u8']:
            do_quant = True
        else:
            do_quant = False

    if len(sys.argv) > 4:
        output_path = sys.argv[4]
    else:
        output_path = DEFAULT_RKNN_PATH

    return model_path, platform, do_quant, output_path

if __name__ == '__main__':
    model_path, platform, do_quant, output_path = parse_arg()

    # Create RKNN object
    rknn = RKNN(verbose=False)

    # Pre-process config
    print('--> Config model')
    rknn.config(mean_values=[[0, 0, 0]], std_values=[
                    [255, 255, 255]], target_platform=platform)
    print('done')

    # Load model
    print('--> Loading model')
    ret = rknn.load_onnx(model=model_path)
    if ret != 0:
        print('Load model failed!')
        exit(ret)
    print('done')

    # Build model
    print('--> Building model')
    ret = rknn.build(do_quantization=do_quant, dataset=DATASET_PATH)
    if ret != 0:
        print('Build model failed!')
        exit(ret)
    print('done')

    # Export rknn model
    print('--> Export rknn model')
    ret = rknn.export_rknn(output_path)
    if ret != 0:
        print('Export rknn model failed!')
        exit(ret)
    print('done')

    # Release
    rknn.release()

python convert.py best.onnx rk3588 i8

运行以上.py程序即可完成转换，得到best.rknn模型！

3.在rk3588计算板卡运行推理

需要把转换的best.rknn导入到rk3588中，并下载rknn_model_zoo中的推理程序，https://github.com/airockchip/rknn_model_zoo/examples/yolov10/python/yolov10.py运行以下程序即可推理

python yolov10. py - - model_path best.rknn - - target rk3588 --img_show img_folder data

• --model_path MODEL_PATH : 指定 RKNN 模型文件路径（必须）

• -t target TARGET : 目标平台，例如 rk3588

• --device_id DEVICE_ID : 设备 ID（如果有多个 RKNN 设备）

• -img_show : 显示推理结果图片

• -img_save : 保存推理结果图片

• --anno_json ANNO_JSON : 标注文件的 JSON 路径（用于精度评估）

• -img_folder IMG_FOLDER : 待推理的图片文件夹

• --coco_map_test : 执行 COCO mAP 测试（需要提供标注文件）