在基于 YOLOv10 做目标检测训练时，规范统一的数据集目录结构是保证训练正常运行的第一步。YOLOv10 延续了 YOLO 系列经典的数据集组织方式，图片与标签分文件夹存放、文件名一一对应，清晰的层级能有效避免路径错误、标签匹配失败等问题。本文给出一种简洁的数据集目录结构，方便大家快速对照搭建自己的数据集。

YOLO（含 v10）目标检测数据集的训练集（train）、验证集（val/valid）、测试集（test）图片数量通用经典划分比例为 7:2:1（训练集 70% 用于模型参数学习、验证集 20% 用于调参评估、测试集 10% 用于最终泛化能力评估），该比例可根据数据集规模灵活调整，但需保证三类数据集无重叠且类别分布一致。

YOLOv10 数据集目录结构

data/
├── train/                    # 训练集目录
│   ├── images/               # 训练集图片文件夹
│   │   ├── train_001.jpg     # 训练图片1（格式支持jpg/png/bmp等）
│   │   ├── train_002.png
│   │   └── ...               # 其余训练集图片
│   └── labels/               # 训练集标签文件夹（与图片一一对应）
│       ├── train_001.txt     # 训练图片1对应的标签文件
│       ├── train_002.txt
│       └── ...               # 其余训练集标签文件
├── valid/                    # 验证集目录（结构与train完全一致）
│   ├── images/
│   │   ├── val_001.jpg
│   │   ├── val_002.png
│   │   └── ...
│   └── labels/
│       ├── val_001.txt
│       ├── val_002.txt
│       └── ...
├── test/                     # 测试集目录（结构与train完全一致）
│   ├── images/
│   │   ├── test_001.jpg
│   │   ├── test_002.png
│   │   └── ...
│   └── labels/
│       ├── test_001.txt
│       ├── test_002.txt
│       └── ...
└── data.yaml                 # YOLOv10 核心配置文件（必须）

注意事项

文件命名规则：

        图片文件和对应的标签文件必须同名不同后缀（如 train_001.jpg ↔ train_001.txt）（可采用专门的标注工具标注，如LabelImg），YOLOv10 会通过文件名自动匹配图片和标签，命名不一致会导致训练 / 推理报错。

标签文件（.txt）格式（YOLO 标准格式）：

        每个 txt 文件每行对应一个目标，格式为：类别ID 中心点x 中心点y 宽度w 高度h（所有数值均为归一化后的值，范围 0~1）

对于OBC306数据集：整个图片都是待检测的目标，YOLO 格式的标签需要体现 “目标覆盖整张图片” 的特征，核心是将宽度和高度设为 1.0（归一化后占满整图），中心点坐标设为 (0.5, 0.5)（图片正中心），面对这样特殊场景，我们可以直接采用python脚本来实现快速制作label文件内容

实例：

0 0.45 0.52 0.18 0.25  # 类别0，目标中心点(0.45,0.52)，宽0.18，高0.25
1 0.78 0.36 0.12 0.19  # 类别1，第二个目标
2 0.5 0.5 1.0 1.0      # 类别2，目标覆盖整张图片（中心点x=0.5, y=0.5，宽1.0，高1.0），如甲骨文数据集OBC306数据集中的图片

以OBC306为例，数据集及其对应的label如图

data:

test:

images:

labels:

data.yaml 核心配置示例：

这是 YOLOv10 识别数据集的关键文件，需指定类别、数据集路径等，示例：

# 数据集根目录
path: D:/yolov10/data
# 训练/验证/测试集路径（相对于path的相对路径，无需重复写根目录）
train: train/images
val: val/images
test: test/images
# 类别数量（必须与names列表长度一致，此处24个类别）
nc: 24
# 类别名称列表（顺序对应类别ID 0-23，支持字符串/数字字符串格式）
names: ['001000', '001004', '001008', '001014', '001018', '001027', '001032', 
        '001054', '001072', '001086', '001096', '001106', '001109', '001114', 
        '001125', '001135', '001136', '001148', '001157', '001166', '001173', 
        '001176', '001184', '001206']




names两种写法：
# 写法1：字典式（清晰标注ID，适合类别少的场景）
names:
  0: 001000
  1: 001004
  2: 001008
  # ... 依次补全24个类别

# 写法2：列表式（简洁，适合类别多的场景，默认索引为ID）
names: ['001000', '001004', '001008', ...]  # 索引0→ID0，索引1→ID1，以此类推

使用数据集

在README中查找训练指令

核心参数说明

• yolo detect train：指定执行 YOLOv10 目标检测模型训练；
• data=coco.yaml：数据集配置文件路径，需替换为自定义data.yaml（含路径 / 类别）；
• model=yolov10n/s/m/b/l/x.yaml：模型规格（n = 最小 / 快，x = 最大 / 准，按需选）；
• yolov10n.yaml：nano 版（最小模型，速度最快，精度最低，适合边缘设备）；
• yolov10s.yaml：small 版（小模型，速度与精度平衡，新手首选）；
• yolov10m.yaml：medium 版（中等模型）；
• yolov10b.yaml：big 版（大模型）；
• yolov10l.yaml：large 版（更大模型）；
• yolov10x.yaml：xlarge 版（最大模型，精度最高，速度最慢，适合算力充足的场景）；
• epochs=500：训练轮数，小数据集 50-200、大数据集 300-1000 即可；
• batch=256：批次大小，8 卡均分单卡 32，显存不足可降为 64/128 ，笔记本电脑建议4-8；
• imgsz=640：输入图尺寸（32 的倍数），越大精度越高、速度越慢；
• device=0-7：指定 8 张 GPU 训练，单卡写device=0，CPU 写device=cpu。

选择model要有对应权重的文件如图：

yolov10n/s/m/b/l/x.pt 是 PyTorch 格式的预训练模型权重文件，里面存储的是模型在 COCO 等大规模数据集上已经训练好的参数（包括卷积核、BN 层、全连接层等全部可学习参数）

终端指令输入：

如图：

启动成功如下