概述
截至 2024 年 7 月，YOLO 家族已有至少 10 代成员。而在数周之前，由清华大学多媒体智能技术实验室主导的团队在 Ultralytic YOLOv8 的基础上，创造出了最新的 YOLOv10，它的网络结构进行了一些颇具创造力的创新——采用了无 NMS 训练以降低延迟，同时具有增强的模型功能与整体化的模型设计；这使得 YOLOv10 的推理速度与精度达到了前所未有的高度。正因如此，为了训练一个用于目标检测的高性能、高精度模型，本文将介绍 YOLOv10 的环境配置，并测试安装与推理。
安装流程
安装前准备
检查 Python 版本
首先，检查 Python 版本，请确保您的 Python 版本至少高于 Python 3.8。
python3 --version
请注意：YOLOv10 中的 安装需求 给出的 SciPy 版本为 SciPy 1.13.0，而 SciPy 1.13.x 又需要至少 Python 3.9，但 YOLOv10 的 项目配置 又仅需 SciPy 1.4.1。经过笔者实测，Python 3.8.10 也同样可以完成 YOLOv10 的安装，但是 需要将SciPy版本降级至1.11.x。若您不是为了与其它计算机视觉/深度学习组件兼容而被迫使用 Python 3.8，请尽量使用 Python 3.9 或更高的 Python 版本。
检查 pip 包管理器的版本
由于 YOLOv10 较新，为了避免安装其依赖时，出现因 pip 包管理器版本过低而导致无法安装最新 Python 模块的问题，请运行以下命令来更新您的 pip 包管理器版本至最新：
python3 -m pip install --upgrade pip
检查 NVIDIA GPU 驱动、CUDA ToolKit 与 cuDNN 的安装（可选）
重要提示：由于 pip 包管理器在安装带有 CUDA 加速的 PyTorch 时会自动安装和配置 CUDA ToolKit，因此若您已安装 NVIDIA GPU 驱动但仍未安装 CUDA ToolKit 与 cuDNN 模块，可跳过本节，在下一节直接使用 pip 包管理器进行安装。若您仍未安装 NVIDIA GPU 驱动，请参阅站内文章：如何在 Linux 上安装 GPU 驱动，本文不予赘述。若您使用 CPU 进行计算，那么也可以跳过本节内容，在下一节中安装使用 CPU 计算的 PyTorch。
安装 PyTorch
由于 YOLOv10 需要至少 PyTorch 1.8.0，且其 安装需求 中写明需要 PyTorch 2.0.1，因此请访问 PyTorch官网：历史版本 以查找适合您的系统且不低于 v1.8.0 的 PyTorch 版本。
以笔者这台计算机为例，由于先前已安装 CUDA ToolKit 11.7，因此可选择 PyTorch v2.0.1：
向下划动，在“Wheel”一栏中，找到下图所示的命令并粘贴至终端中运行，即可自动完成 PyTorch 的安装与配置。
- 带有CUDA加速的 PyTorch v2.0.1：
pip install torch==2.0.1 torchvision==0.15.2 torchaudio==2.0.2
- 使用 CPU 计算的 PyTorch v2.0.1：
pip install torch==2.0.1 torchvision==0.15.2 torchaudio==2.0.2 --index-url https://download.pytorch.org/whl/cpu
在终端中运行命令，等待下载即可，请勿中途打断或改变任何 Python 环境相关的内容：
安装完成后，请在终端输入 python 或 python3，运行以下 Python 语句以测试安装：
import torch
print (torch.__version__) # CUDA版应为 2.0.1+cu117，CPU 版为 2.0.1
print(torch.cuda.is_available()) # CUDA 版应为 True
安装 ONNX Runtime
若您需要 CUDA 加速的 ONNX Runtime，且 CUDA ToolKit 的版本为 11.x，可在终端使用如下命令进行安装 1.18.0 版本的 ONNX Runtime：
pip install onnxruntime-gpu==1.18.0
若 CUDA 版本为 12.x，则应当使用如下命令：
pip install onnxruntime-gpu==1.18.0 --extra-index-url https://aiinfra.pkgs.visualstudio.com/PublicPackages/_packaging/onnxruntime-cuda-12/pypi/simple/
当然，CPU 版本的安装命令为：
pip install onnxruntime==1.18.0
同样，在 python 中检查 ONNX Runtime 的安装情况：
import onnxruntime as ort
print(ort.__version__)
ort.get_device() # CUDA版为'GPU'，CPU版为'CPU'
可能会有读者遇到以下情况：当运行了 import onnxruntime as ort 后出现了报错。仔细阅读报错内容，发现是 NumPy 版本过高，2.x 的 NumPy 不兼容 1.x 的 NumPy。此时，我们手动将 NumPy 版本降低即可。
请注意：手动降低 NumPy 版本时务必留意当前系统中 ONNX Runtime、OpenCV-Python 等其它依赖于 NumPy 的组件对 NumPy 版本的最低要求！以笔者为例，ONNX Runtime 对 NumPy 的最低要求为 1.21.6，OpenCV-Python 4.9.0 对 NumPy 的最低要求为 1.20.3，取交集即可选择 NumPy 1.22.x 或 1.23.x 更高，因此可以选择 1.23.5 版本，使用 pip 包管理器安装即可。
但是，若您当前系统中存在 NumPy 的编译时依赖，比如说 OpenCV 的 C++ 源码编译安装时，指定了某 NumPy 版本的头文件目录，那么请尽量不要使用 pip 包管理器随意更改 NumPy 版本，或至少尽量保持当前使用的 NumPy 版本与其它组件编译时的版本相当，以避免一些不可预知的错误。对于 NumPy 的编译时依赖，比如说 OpenCV 的编译与安装细则，请参阅 如何配置 OpenCV 的开发环境 一文。
pip install numpy==1.23.5
安装 YOLOv10
检查早期版本的 Ultralytics 安装
由于 YOLO 家族由不同的开发者与研究人员所发行、推进，因此不同的 YOLO 或 Ultralytics 版本在同一个 Python 解释器中可能会出现冲突，比如说 Ultralytics - THU-MIG YOLOv10 与 Ultralytics YOLOv8 之间。因此，需要先使用 pip 包管理器卸载所有早期的 Ultralytics 版本，以保证一个 Python 解释器中仅存在一个 Ultralytics：
pip uninstall ultralytics
克隆仓库
在终端中，使用以下 Git 命令以克隆 YOLOv10 的仓库：
git clone https://github.com/THU-MIG/yolov10.git
切换到 YOLOv10 的仓库中，安装 YOLOv10 所需依赖。可以注意到，requirements.txt 中的大部分重要组件的版本与我们先前安装的版本一致，如 PyTorch 版本为 2.0.1，ONNX Runtime 为 1.18.x。
请注意：若您先前已经编译安装 OpenCV 且生成了 OpenCV-Python，请将安装需求中的“opencv-python==4.9.0.80”注释掉，避免通过 pip 包管理器安装的使用 CPU 计算的 OpenCV 将使用 GPU 加速计算的 OpenCV 覆盖！
确定 requirements.txt 中不包含我们已经安装过的依赖或组件后，方可输入下面的命令进行安装：
cd ./yolov10
pip install -r requirements.txt
使用以下命令来安装当前 Ultralytics 模块：
pip install -e .
可能有的朋友会发现，通过上述具有 -e 参数的命令安装的 Ultralytics 模块可能在一些 IDE 中无法被正确识别导入，如 JetBrains PyCharm Community 与 Visual Studio Code，这是因为在上述 IDE 中，我们没有对解释器的包路径进行正确设置，导致 IDE 无法知悉我们从本地以可编辑的方式安装了一个 Python 包，但是代码是可以运行的。因此，我们也可以使用非可编辑参数的命令，使得上述IDE能正确识别导入：
pip install .
YOLOv10 官方推荐的是使用 -e 可编辑安装参数进行安装，但由于多数人不会对 YOLOv10 项目本身进行更改与调试，因此笔者在此处更推荐使用 pip install . 的方式进行安装，您可以根据后续实际情况进行调整。
完成安装后，我们可从网上随便下载一张图片，放在某个目录下。例如，笔者将一张包含人与巴士的图片放在用户文件夹下，并从 YOLOv10 的 GitHub 仓库中下载了 yolov10s.pt 模型文件到 yolov10/weights/ 下，若 yolov10/ 下暂无该目录，请手动创建。在终端中，使用以下命令来进行推理测试：
yolo detect predict model=yolov10s.pt source=/home/owen/bus.jpg
最后，打开 yolov10/runs/detect/predict/，即可看到推理的结果：
总结
由于 YOLOv10 由 Ultralytics YOLOv8 演化而来，但又非常新，仍处于不断完善与发展的阶段，因此在配置它的时候，YOLOv10 会让我们感到既熟悉又陌生 —— 熟悉在它与 YOLOv8 基本上相通，许多处理流程与使用方法都非常接近；陌生在某些配置需要自己探索与调整，不像 YOLOv8 一般“打包好了，开箱即用”。后续，Anawaert 将更新 YOLOv10 的训练集标注、模型训练，欢迎关注 Anawaert Blog。若您有其它的想法或 YOLOv10 安装技巧，欢迎在下方评论区留言分享。