当前位置：首页 > news >正文

目标检测之YOLOV11自定义数据使用OBB训练与验证

news 来源：原创 2025/6/20 13:22:20

一、前置条件与环境准备

在开始训练前，确保已完成以下准备《目标检测之YOLOV11自定义数据预处理——从原始标注到YOLO-OBB格式转换与验证》：
数据目录结构：

yolov11/
├── datasets/
│   └── shrimp/
│       ├── images/
│       │   ├── train/  # 训练集图片
│       │   └── val/    # 验证集图片
│       └── labels/
│           ├── train/  # 训练集YOLO-OBB标注（.txt）
│           └── val/    # 验证集YOLO-OBB标注（.txt）
├── shrimp_obb.yaml     # 训练配置文件
└── runs/               # 训练结果保存目录└── obb/             # OBB任务结果

二、训练配置文件`shrimp_obb.yaml`设置

配置文件定义了数据集路径、类别数等关键信息，shrimp_obb.yaml应包含以下内容：

# 数据集基础信息（根据实际路径调整）
train: /datasets/shrimp/images/train  # 训练集图片目录（需提前划分训练集）
val:  /datasets/shrimp/images/val    # 验证集图片目录（你代码中的val路径）# 标签路径（YOLO自动匹配：与图片目录同级的labels目录，如images/train → labels/train）
# 转换后标签路径labels/val（与val图片目录同级）# 类别信息（你提到只有1个类别）
nc: 1  # 类别数量（必须与转换后的class_index=0一致）
names: ["shrimp"]  # 类别名称（与实际标注的类别一致）# 可选：测试集路径（若有）
#test:  /datasets/shrimp/images/test# 以下为可选超参数（可在训练命令中覆盖，非必须写在yaml里）
# 超参数参考：https://docs.ultralytics.com/yolov5/training
# hsv_h: 0.015  # 色调增强系数
# hsv_s: 0.7    # 饱和度增强系数
# hsv_v: 0.4    # 明度增强系数
# flipud: 0.5   # 上下翻转概率（OBB任务慎用，可能改变旋转方向）

三、训练命令与参数详解

1. 基础训练命令

使用YOLOv11-OBB模型（如yolo11n-obb.pt）启动训练，命令示例：

yolo obb train \data=shrimp_obb.yaml \model=yolo11n-obb.pt \epochs=300 \imgsz=640 \device=0,1 \batch=128 \project=runs/obb/train \name=shrimp_exp \plots=True \verbose=True

2. 关键参数解释

参数名	作用	示例值/说明
`data`	指定训练配置文件（定义数据集路径、类别等）	`shrimp_obb.yaml`
`model`	预训练模型路径（OBB专用模型）	`yolo11n-obb.pt`（轻量级）
`epochs`	训练轮次（根据数据量调整，日志显示300轮收敛）	`300`
`imgsz`	输入图片尺寸（与数据集中图片分辨率匹配，日志为640）	`640`
`device`	训练设备（多GPU加速）	`0,1`（使用2张显卡）
`batch`	每批次图片数（根据GPU显存调整，日志为128）	`128`
`project`	训练结果保存根目录（历史结果在`runs/obb/train`）	`runs/obb/train`
`name`	当前实验名称（避免覆盖历史结果）	`shrimp_exp`（自定义）
`plots`	启用训练过程可视化（生成损失曲线、混淆矩阵等）	`True`（默认启用）
`verbose`	终端输出详细日志（显示每批次损失、学习率等）	`True`（调试时推荐）

3. 结果曲线

在这里插入图片描述

四、训练过程监控

1. 实时日志查看

训练过程中，终端会输出每轮（Epoch）的损失值（box_loss、cls_loss、dfl_loss）和验证指标（mAP50、mAP50-95），如日志所示：

在这里插入图片描述

2. TensorBoard可视化

训练完成后，日志文件（events.out.tfevents.*）保存在runs/obb/train/shrimp_exp目录。通过以下命令启动TensorBoard查看损失曲线和mAP趋势：

tensorboard --logdir runs/obb/train/shrimp_exp

浏览器访问http://localhost:6006即可查看。

五、模型验证（Val）

训练完成后，使用验证集评估最佳模型（best.pt）的泛化能力，命令如下：

yolo obb val \model=runs/obb/train/shrimp_exp/weights/best.pt \data=shrimp_obb.yaml \imgsz=640 \batch=128

输出指标与训练日志中的mAP50、mAP50-95一致（日志显示mAP50-95=0.937）。
在这里插入图片描述

六、模型预测（Inference）

使用训练好的best.pt对新图片/视频进行预测，命令示例（隐藏类别名和置信度）：

yolo obb predict \model=runs/obb/train/shrimp_exp/weights/best.pt \source=xxx.jpg \imgsz=640 \show_labels=False \show_conf=False \project=runs/obb/predict \name=shrimp_pred

关键预测参数

参数名	作用	示例值/说明
`source`	预测源（图片/视频路径或摄像头ID）	图片：`/path/to/image.jpg`
`show_labels`	是否显示类别名称（需求是隐藏）	`False`
`show_conf`	是否显示置信度分数（需求是隐藏）	`False`
`project`/`name`	预测结果保存目录（历史结果在`runs/obb/predict`）	`runs/obb/predict/shrimp_pred`

部分预测结果

在这里插入图片描述

七、常见问题与解决方案

问题现象	可能原因	解决方法
训练报错`label not found`	标签文件与图片文件名不匹配（如图片是`.png`，标签是`.txt`但前缀不一致）	确保`images/train/xxx.jpg`对应`labels/train/xxx.txt`（同名不同后缀）
`mAP`远低于预期	数据增强参数不当（如`rotate`过大导致标注方向混乱）	调整`shrimp_obb.yaml`中的`rotate`值（如从0.5降至0.3）
预测框偏移原图目标	数据转换时坐标归一化错误（如图片尺寸读取失败）	检查`convert_to_yolo_obb.py`中`img.shape`是否正确获取宽高（`shape[1]`是宽）

八、总结

难以想象，一句像样的代码都没怎么写，就能完成了一个yolov11的训练和验证。
通过本文的步骤，已完成从数据格式转换→训练配置→模型训练→验证→预测的全流程。训练得到的best.pt可直接用于实际场景（如虾类检测），后续可通过调整超参数（如学习率、数据增强）进一步优化模型性能。
不过对比之前用yolov5-obb和现在的yolov11-obb，现在的结果比之前的好很多，无论是训练过程还是结果都有提升。