yolov3教程（yolov3实现）



本专栏会手把手带你从源码了解YOLOv10(后续会陆续介绍YOLOv8、RTDETR等模型)，尽可能地完整介绍整个算法，这个专栏会持续创作与更新，大家如果想要本文PDF和思维导图，后台私信我即可(创作不易，不喜勿喷)，大家如果发现任何错误和需要修改的地方都可以私信我，我会统一修改。

新建test.py

调动第四行初始化YOLOv10 (ultralytics/models/yolov10/model.py)

YOLOv10继承自BaseModel类，继续做初始化 (ultralytics/engine/model.py)

调用BaseModel类的_load方法加载模型权重 (ultralytics/engine/model.py)

在ultralytics/nn/tasks.py文件中调用attempt_load_one_weight函数加载ckpt，解析得到里面的模型架构 

根据pt模型torch加载得到ckpt (ultralytics/nn/tasks.py)

根据ckpt推理得到任务、参数、模型名称等信息，至此完成YOLOv10s模型的初始化(ultralytics/engine/model.py)

之后调用第一张图的第六行，调用Model类的predict方法(ultralytics/engine/model.py)执行检测（is_cli：flag，是否是直接在命令行输入命令）

继续调用_smart_load方法加载YOLOv10s模型的predictor (ultralytics/engine/model.py)

ultralytics/models/yolov10/model.py

YOLOv10DetectionPredictor继承自BasePredictor，调用__init__方法做初始化(ultralytics/engine/predictor.py)

初始化完成之后，第8附图的第434行调用方法，构建后端(ultralytics/engine/predictor.py)

调用AutoBackend类的__init__方法，初始化fp16、输入格式、步长、模型、权重融合等(ultralytics/nn/autobackend.py)

继续在ultralytics/nn/autobackend.py中更新metadata、locals以及disable gradients

最后将在ultralytics/engine/predictor.py中将模型设为评估模式

上述初始化完成之后，在ultralytics/engine/model.py中准备开始预测

调用BasePredictor类的__call__方法(ultralytics/engine/predictor.py)

继续调用BasePredictor类的stream_inference方法(调用ultralytics/engine/predictor.py)

调用BasePredictor类的setup_source方法准备数据；目标检测时第183行的transformers为None(ultralytics/engine/predictor.py)

在ultralytics/data/build.py中判断source类型，加载source

第294、295行加载图片和视频路径；第301行标记video_flag(ultralytics/data/loaders.py)

在记载source完成之后，在ultralytics/engine/predictor.py中继续初始化新建文件夹，warmup，准备开始测试

版权声明：

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若内容造成侵权、违法违规、事实不符，请将相关资料发送至xkadmin@xkablog.com进行投诉反馈，一经查实，立即处理！

转载请注明出处，原文链接：https://www.xkablog.com/do-yfwjc/40209.html