Yolov10n

🚀 YOLOv10: 实时端到端目标检测

YOLOv10 是一个用于实时端到端目标检测的模型，本项目提供了来自 https://github.com/THU-MIG/yolov10 的 ONNX 权重。该模型在目标检测任务中表现出色，能够在不同的权衡条件下实现高效准确的检测。

权衡指标可视化

延迟 - 准确率权衡	大小 - 准确率权衡

🚀 快速开始

✨ 主要特性

• 基于 ONNX 的目标检测模型，提供高效的推理能力。
• 支持使用 Transformers.js 库进行便捷调用。

📦 安装指南

如果你还没有安装 Transformers.js JavaScript 库，可以使用以下命令从 NPM 进行安装：

npm i @xenova/transformers

💻 使用示例

基础用法

以下是一个使用 YOLOv10 进行目标检测的示例代码：

import { AutoModel, AutoProcessor, RawImage } from '@xenova/transformers';

// 加载模型
const model = await AutoModel.from_pretrained('onnx-community/yolov10n', {
    // quantized: false,    // (可选) 使用未量化版本。
})

// 加载处理器
const processor = await AutoProcessor.from_pretrained('onnx-community/yolov10n');

// 读取图像并运行处理器
const url = 'https://huggingface.co/datasets/Xenova/transformers.js-docs/resolve/main/city-streets.jpg';
const image = await RawImage.read(url);
const { pixel_values, reshaped_input_sizes } = await processor(image);

// 运行目标检测
const { output0 } = await model({ images: pixel_values });
const predictions = output0.tolist()[0];

const threshold = 0.5;
const [newHeight, newWidth] = reshaped_input_sizes[0]; // 调整后的高度和宽度
const [xs, ys] = [image.width / newWidth, image.height / newHeight]; // x 和 y 调整比例
for (const [xmin, ymin, xmax, ymax, score, id] of predictions) {
    if (score < threshold) continue;

    // 转换为原始图像坐标
    const bbox = [xmin * xs, ymin * ys, xmax * xs, ymax * ys].map(x => x.toFixed(2)).join(', ');
    console.log(`Found "${model.config.id2label[id]}" at [${bbox}] with score ${score.toFixed(2)}.`);
}
// 输出示例
// Found "car" at [559.30, 472.72, 799.58, 598.15] with score 0.95.
// Found "car" at [221.91, 422.56, 498.09, 521.85] with score 0.94.
// Found "bicycle" at [1.59, 646.99, 137.72, 730.35] with score 0.92.
// Found "bicycle" at [561.25, 593.65, 695.01, 671.73] with score 0.91.
// Found "person" at [687.74, 324.93, 739.70, 415.04] with score 0.89.
// ...

📄 许可证

本项目采用 AGPL-3.0 许可证。