Yolov10n

🚀 YOLOv10: 即時端到端目標檢測

YOLOv10 是一個用於即時端到端目標檢測的模型，本項目提供了來自 https://github.com/THU-MIG/yolov10 的 ONNX 權重。該模型在目標檢測任務中表現出色，能夠在不同的權衡條件下實現高效準確的檢測。

權衡指標可視化

延遲 - 準確率權衡	大小 - 準確率權衡

🚀 快速開始

✨ 主要特性

• 基於 ONNX 的目標檢測模型，提供高效的推理能力。
• 支持使用 Transformers.js 庫進行便捷調用。

📦 安裝指南

如果你還沒有安裝 Transformers.js JavaScript 庫，可以使用以下命令從 NPM 進行安裝：

npm i @xenova/transformers

💻 使用示例

基礎用法

以下是一個使用 YOLOv10 進行目標檢測的示例代碼：

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

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

// 加載處理器
const processor = await AutoProcessor.from_pretrained('onnx-community/yolov10n');

// 讀取圖像並運行處理器
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);

// 運行目標檢測
const { output0 } = await model({ images: pixel_values });
const predictions = output0.tolist()[0];

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

    // 轉換為原始圖像座標
    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)}.`);
}
// 輸出示例
// 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.
// ...

📄 許可證

本項目採用 AGPL-3.0 許可證。