在本机跑通 YOLOv10 目标检测开箱即用实录【免费下载链接】yolov10YOLOv10: Real-Time End-to-End Object Detection [NeurIPS 2024]项目地址: https://gitcode.com/GitHub_Trending/yo/yolov10这篇带你从零在本机装好 YOLOv10跑通实时目标检测。完成后你会看到一张照片上自动标出 person、tie 等检测框这就是它的全部本事。先对号入座选对路线如果你刚打开仓库、还没装过任何依赖直接往下按顺序做就行。只想在网页里点鼠标体验的做到「跟着敲」的第四步就停手要改模型结构、往自己项目里接的把进阶路径也走完。只想本地看检测效果 → 第三节推荐路径要改模型结构再部署 → 第三节进阶路径已有 PyTorch 环境想省一步 → 第三节进阶路径花 30 秒确认环境没踩坑不满足下面任何一条都别急着敲命令Python ≥3.8pyproject.toml 的硬性下限已安装 conda推荐路径依赖它磁盘剩余 ≥5GBPyTorch 一家就占大头机器能联网首次运行会自动拉取 yolov10n 权重完整依赖清单以 requirements.txt 为准torch 2.0.1 会被自动装好跟着敲搭好 YOLOv10 运行环境推荐路径conda 隔离环境跑通 Web 演示克隆仓库并进入目录git clone https://gitcode.com/GitHub_Trending/yo/yolov10 cd yolov10建一个专用环境README 官方推荐 Python 3.9conda create -n yolov10 python3.9 conda activate yolov10一次性装齐依赖顺带以 editable 模式装仓库本体pip install -r requirements.txt pip install -e .启动 Gradio 网页演示然后浏览器打开http://127.0.0.1:7860传张图就能看检测框python app.py不折腾 conda、现有 Python 环境里已有 PyTorch 的话看下面这条。进阶路径复用现有环境直接上 CLI跳过 conda在当前环境里补装依赖pip install -r requirements.txt pip install -e .用命令行跑一次最小预测确认yolo命令和权重加载都正常yolo predict modeljameslahm/yolov10n跑起来了吗验证目标检测效果在仓库根目录跑这段 Pythonfrom ultralytics import YOLOv10 model YOLOv10.from_pretrained(jameslahm/yolov10n) results model.predict(sourceultralytics/assets/zidane.jpg) results[0].show()成功的话你会看到那张球场照片上两个人各被框住还多出一个 tie 框——模型已经能干活了。⚠️ 若遇到 torch 版本冲突执行pip install torch2.0.1 torchvision0.15.2⚠️ 若遇到 OpenCV 导入报错执行pip install opencv-python4.9.0.80装完之后还能玩什么导出 ONNX / TensorRT → docs/en/modes/export.md用自己的数据集训练 → docs/en/modes/train.md看 C / Rust 推理示例 → examples/【免费下载链接】yolov10YOLOv10: Real-Time End-to-End Object Detection [NeurIPS 2024]项目地址: https://gitcode.com/GitHub_Trending/yo/yolov10创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考