1. yolov10源码下载

THU-MIG/yolov10: YOLOv10: Real-Time End-to-End Object Detection (github.com)https://github.com/THU-MIG/yolov10?tab=readme-ov-file

2. 环境配置

        预先安装好ANACONDA、PyCharm或者VSCode等基本软件。参考以下博客：

史上最全最详细的Anaconda安装教程-CSDN博客https://blog.csdn.net/wq_ocean_/article/details/103889237（超详细）Python+PyCharm的安装步骤及PyCharm的使用（含快捷键）_python pycharm-CSDN博客https://blog.csdn.net/junleon/article/details/120698578检测电脑里的python版本：

        我的是3.11。

使用Anaconda Prompt 创建虚拟环境，再激活环境。

conda create -n yolov10 python=3.11
conda activate yolov10 

安装支持包

pip install -r requirements.txt
pip install -e .

使用PyCharm打开下载的yolov10源码，右下角切换到创建的环境

创建train.py，执行以下代码

from ultralytics import YOLOv10
import os

os.environ["GIT_PYTHON_REFRESH"] = "quiet"
os.environ["KMP_DUPLICATE_LIB_OK"] = "TRUE"

if __name__ == '__main__':
    model = YOLOv10('yolov10n.pt')
    result = model.train(data=coco128.yaml, epochs=40, batch=2, imgsz=640, device='cpu')

直接选用大家都有cpu训练，如果要使用GPU，将值改为0 即可，GPU使用依赖与yolov8一致。

YOLOv10 -Ultralytics YOLO 文档https://docs.ultralytics.com/zh/models/yolov10/#model-variantsyolov10封装的很好，使用起来没什么难度，参考官方给的文档就能跑起来。

3. 使用所得权重文件预测图片

from ultralytics import YOLOv10
model = YOLOv10(r'C:\Users\Administrator\Desktop\yolov10-main\runs\detect\train4\weights\best.pt')
model.predict(save=True)

4. 性能分析

        总体效果还是比其他版本好很多的，但是我的训练时间貌似比v8长不少，这里论文中也给出了解释。

与其他最先进的探测器相比：

• YOLOv10-S / X 比RT-DETR-R18 / R101 快 1.8 倍 / 1.3 倍，精度相似
• 在精度相同的情况下，YOLOv10-B 比 YOLOv9-C 减少了 25% 的参数，延迟时间缩短了 46%
• YOLOv10-L / X 的性能比YOLOv8-L / X 高 0.3 AP / 0.5 AP，参数少 1.8× / 2.3×

以下是 YOLOv10 变体与其他先进机型的详细比较：

模型	参数 (M)	FLOP (G)	APval (%)	延迟（毫秒）	延迟（前向）（毫秒）
YOLOv6-3.0-N	4.7	11.4	37.0	2.69	1.76
金色-YOLO-N	5.6	12.1	39.6	2.92	1.82
YOLOv8-N	3.2	8.7	37.3	6.16	1.77
YOLOv10-N	2.3	6.7	39.5	1.84	1.79
YOLOv6-3.0-S	18.5	45.3	44.3	3.42	2.35
金色-YOLO-S	21.5	46.0	45.4	3.82	2.73
YOLOv8-S	11.2	28.6	44.9	7.07	2.33
YOLOv10-S	7.2	21.6	46.8	2.49	2.39
RT-DETR-R18	20.0	60.0	46.5	4.58	4.49
YOLOv6-3.0-M	34.9	85.8	49.1	5.63	4.56
金色-YOLO-M	41.3	87.5	49.8	6.38	5.45
YOLOv8-M	25.9	78.9	50.6	9.50	5.09
YOLOv10-M	15.4	59.1	51.3	4.74	4.63
YOLOv6-3.0-L	59.6	150.7	51.8	9.02	7.90
金色-YOLO-L	75.1	151.7	51.8	10.65	9.78
YOLOv8-L	43.7	165.2	52.9	12.39	8.06
RT-DETR-R50	42.0	136.0	53.1	9.20	9.07
YOLOv10-L	24.4	120.3	53.4	7.28	7.21
YOLOv8-X	68.2	257.8	53.9	16.86	12.83
RT-DETR-R101	76.0	259.0	54.3	13.71	13.58
YOLOv10-X	29.5	160.4	54.4	10.70	10.60

参考两位博主的论文分析

【论文阅读】 YOLOv10: Real-Time End-to-End Object Detection-CSDN博客https://blog.csdn.net/shuaijieer/article/details/139182282

YOLOv10详细解读 | 一文带你深入了解yolov10的创新点（附网络结构图 + 举例说明）-CSDN博客https://blog.csdn.net/java1314777/article/details/139206290