企业官网建设流程全解析

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 ≥3.8（pyproject.toml 的硬性下限）
• 已安装 conda（推荐路径依赖它）
• 磁盘剩余 ≥5GB（PyTorch 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

1. 克隆仓库并进入目录：

git clone https://gitcode.com/GitHub_Trending/yo/yolov10 cd yolov10

2. 建一个专用环境（README 官方推荐 Python 3.9）：

conda create -n yolov10 python=3.9 conda activate yolov10

3. 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 .

4. 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

1. 跳过 conda，在当前环境里补装依赖：

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

2. 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 model=jameslahm/yolov10n

跑起来了吗：验证目标检测效果

在仓库根目录跑这段 Python：

from ultralytics import YOLOv10 model = YOLOv10.from_pretrained('jameslahm/yolov10n') results = model.predict(source='ultralytics/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 torch==2.0.1 torchvision==0.15.2⚠️ 若遇到 OpenCV 导入报错，执行：pip install opencv-python==4.9.0.80

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