基于伪标签自训练的YOLOv10无监督域适应：从入门到彻底搞懂

目录

前言：我为什么要写这篇博客

目录

一、域适应到底解决什么问题

二、为什么选YOLOv10作为基准模型

三、伪标签自训练的核心思想

四、完整代码实现

4.1 环境配置

4.2 源域预训练脚本

4.3 伪标签生成器

4.4 自训练主流程

4.5 数据集配置文件模板

4.6 一键运行脚本

前言：我为什么要写这篇博客

大概两个月前，我在做一个工业缺陷检测的项目，手头有大量的标注数据，但那些数据都是在实验室理想光照条件下采集的。真到了工厂现场，光线变化、背景杂乱、相机角度偏移，之前训练好的模型直接掉点30多个AP。重新标注现场数据？一张图标注成本三块钱，一万张就是三万块，还不算人工审核的时间成本。

后来我翻了好多论文，什么CycleGAN、DA Faster RCNN、DDC方法都试了一遍，效果是有，但总觉得差点意思。最后在一个很小众的讨论组里看到一个老哥分享的经验——用伪标签做自训练，方法朴素得有点“土”，但效果出奇的好，尤其是在目标类别相对固定的场景下。

花了大概三周时间，我把这套流程移植到了YOLOv10上。现在模型在目标域上跑出来的mAP能到源域性能的85%左右，完全无监督，没花一分钱标注费。

今天就把这套东西完整写出来，代码全部贴出，数据集也给你们找好了。文章很长，超过5000字，建议先收藏，跟着一步步敲代码。

目录

1. 域适应到底解决什么问题

2. 为什么选YOLOv10作为基准模型

3. 伪标签自训练的核心思想</