# dcmyolo

**Repository Path**: wanggang2020/dcmyolo

## Basic Information

- **Project Name**: dcmyolo
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-06-28
- **Last Updated**: 2026-07-29

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# dcmyolo

## 说明

dcmyolo（dreams create miracles），基于 **YOLOv10** 的目标检测工具包，使用 ultralytics 框架，提供训练、推理、ONNX 导出等完整流程。

## 环境要求

- Python 3.10+
- PyTorch 2.0+
- CUDA 12.1

## 快速开始

### 环境配置

```bash
conda create -n yolov8-test-py310 python=3.10 -y
conda activate yolov8-test-py310
pip install -r requirements.txt
```

### 数据准备

标注数据需转换为 YOLO 格式（images/ + labels/），支持以下方式：

**方式一：从 VOC 格式转换**
```bash
python annot2yolo.py --input_type voc \
  --input_dir data/voc \
  --output_dir data/yolo_dataset \
  --classes_path dcmyolo/model_data/voc_classes.txt
```

**方式二：从旧版 txt 格式转换**
```bash
python annot2yolo.py --input_type txt \
  --txt_path data/train.txt \
  --output_dir data/yolo_dataset \
  --classes_path dcmyolo/model_data/voc_classes.txt
```

转换后会在 `output_dir` 生成 `dataset.yaml`，可直接用于训练。

**方式三：直接准备 YOLO 格式**

```
dataset/
├── images/
│   ├── train/   # 训练图片
│   └── val/     # 验证图片
├── labels/
│   ├── train/   # 训练标签 (.txt)
│   └── val/     # 验证标签 (.txt)
└── dataset.yaml # 数据集配置
```

标签格式（每行一个目标）：
```
<class_id> <cx> <cy> <w> <h>
```
坐标归一化到 [0, 1]。

### 训练

```bash
# 方式一：使用 data.yaml
python train_dcmyolo.py \
  --data data/dataset.yaml \
  --model s \
  --epochs 100 \
  --batch 16 \
  --imgsz 640

# 方式二：使用旧版 txt 标注（自动转换）
python train_dcmyolo.py \
  --model s \
  --train_annotation_path data/train.txt \
  --val_annotation_path data/val.txt \
  --classes_path dcmyolo/model_data/voc_classes.txt \
  --epochs 100 \
  --batch 16

# 方式三：指定 YOLO 格式目录
python train_dcmyolo.py \
  --model s \
  --data_dir data/yolo_dataset \
  --classes_path dcmyolo/model_data/voc_classes.txt \
  --epochs 100
```

#### 模型规格

| 参数 | 模型 | 说明 |
|------|------|------|
| `--model n` | YOLOv10-Nano | 最快，最小 |
| `--model s` | YOLOv10-Small | 速度快 |
| `--model m` | YOLOv10-Medium | 平衡 |
| `--model l` | YOLOv10-Large | 精度高 |
| `--model x` | YOLOv10-XLarge | 最高精度 |

### PyTorch 推理

```bash
# 单张图片
python predict_dcmyolo.py \
  --model_path yolov10s.pt \
  --operation_type predict_image \
  --source image.jpg \
  --show

# 视频
python predict_dcmyolo.py \
  --model_path runs/train/exp/weights/best.pt \
  --operation_type predict_video \
  --source video.mp4 \
  --video_save_path output.mp4

# 摄像头实时检测
python predict_dcmyolo.py \
  --model_path yolov10s.pt \
  --operation_type predict_webcam

# 批量处理目录
python predict_dcmyolo.py \
  --model_path best.pt \
  --operation_type predict_dir \
  --source data/images \
  --save_dir runs/detect
```

### ONNX 导出与推理

```bash
# PTH → ONNX 导出
python predict_onnx.py \
  --operation_type export_onnx \
  --model_path best.pt \
  --onnx_path model.onnx

# ONNX 推理
python predict_onnx.py \
  --operation_type predict_image \
  --onnx_path model.onnx \
  --source image.jpg

python predict_onnx.py \
  --operation_type predict_video \
  --onnx_path model.onnx \
  --source video.mp4 \
  --video_save_path output.mp4
```

## YOLOv10 特点

- **NMS-free 训练**：一致的匹配策略，推理无需 NMS
- **C2f + CIB 模块**：高效的特征提取
- **SCDown**：空间-通道解耦下采样
- **PSA**：位置敏感自注意力
- **v10Detect 检测头**：DFL + 一对多/一对一双分支

## 项目结构

```
dcmyolo/
├── train_dcmyolo.py       # YOLOv10 训练入口
├── predict_dcmyolo.py     # YOLOv10 推理入口
├── predict_onnx.py        # ONNX 导出与推理
├── annot2yolo.py          # 标注格式转换工具
├── labelme2voc.py         # LabelMe → VOC 转换
├── voc2annotation_txt.py  # VOC → 旧版 txt 转换
├── make_anchors.py        # K-Means anchors 生成
├── dcmyolo/
│   ├── model_data/        # 模型配置文件
│   ├── utils/             # 工具函数
└── requirements.txt
```