YOLO11实战 第006期-基于yolo11-seg的香蕉种植园语义分割实战文档(yolo格式数据免费获取)
目录
基于yolo11-seg的香蕉种植园语义分割
1.数据阶段
1.1数据集准备
1.2数据集划分
1.3环境安装
2.训练阶段
2.1开始训练
2.2结果展示
3.推理阶段
基于yolo11-seg的香蕉种植园语义分割
1.数据阶段
1.1数据集准备
Banana香蕉种植园语义分割数据集，包含3880张原始图像，覆盖了不同的生长阶段、高度和地块。图像展示了香蕉种植园的各种场景，包括树木和房屋遮挡、杂草干扰以及不同飞行高度导致的目标尺寸变化等复杂情况。
数据集介绍：复杂场景：数据集包含多种复杂场景，如树木和房屋遮挡、杂草干扰、不同飞行高度导致的目标尺寸变化等。高质量标注：通过迭代优化标注流程，生成的分割掩码质量高，减少了手动标注的工作量。多样性：数据集覆盖了不同的生长阶段、高度和地块，具有较高的多样性。
1.2数据集划分
Banana香蕉种植园语义分割数据集，按照9:1的比例划分为训练集、测试集(可视为验证集)，并组织好yolo算法所需的目录结构。最终，得到yolo格式的语义分割标签，具体目录结构如下：
★其结构如下：
banana_dataset
- train
- - images
- - labels
- test
- - images
- - labels
【注意：准备好的banana_dataset文件夹，应该与下面的工程项目yolov11_seg位于同级目录，不要将banana_dataset文件夹放置在工程项目里面】
☆可直接获取转换完成的yolo格式数据集(如下图)，获取方式见文末
1.3环境安装
--- 安装指令：pip install ultralytics==8.3.59 -i https://pypi.tuna.tsinghua.edu.cn/simple
2.训练阶段
2.1开始训练
前提条件：cuda、torch、ultralytics版本匹配且可用，使用yolo11-seg m型号预训练模型】
【需要进入工程项目yolov11_seg里面】
--- 修改数据配置文件./custom.yaml，训练集/验证集路径设定，类别数和类别名称需一致
--- 执行训练命令：python train.py
【按需修改train.py文件里的训练参数，例如：windows系统，workers应该设置为0；linux系统，可设置为8】
训练200 epoch后(含有早停机制，200 epochs)，模型保存在runs/segment/train/weights文件夹
2.2结果展示
2.2-1、F1_curve.png（F1分数）
由图可知，当confidence为0.682时，all classes的F1分数为0.85；表示该模型在0.682的置信度预测类时整体表现良好，具有一定的准确性和召回率。
什么是F1分数？F1分数是精确率（Precision）和召回率（Recall）的调和平均值，它同时考虑了模型预测的准确性和覆盖面。
2.2-2、P_curve.png（精确率曲线）
图中的深蓝色折线代表整体的精度，随着置信度的增加，精确度也增加，在置信度为1.000时，精确度达到了1。其余1条线分别表示1个类别在不同的置信度下的精度。
精确率曲线，帮助分析模型在检测任务中的表现，特别是在不同置信度设置下的精确性表现。通过这条曲线，可以选择合适的置信度阈值，以优化模型的检测结果，平衡精确率和召回率。
2.2-3、PR_curve.png（精确率-召回率曲线）
图中的曲线为Precision-Recall Curve（精确度-召回率曲线），展示了不同阈值下分类器的精确度和召回率。具体来说，横轴表示Recall（召回率），范围从0.0到1.0；纵轴表示Precision（精确度），范围从0.0到1.0。图中主要有两条曲线：
（1）彩色线代表1个类别的精确度-召回率曲线，每个类别的精确度各有差异；
（2）深蓝色线代表所有类别的平均精确度-召回率曲线，其精确度也在0.858左右保持稳定。
这两条曲线都显示了随着召回率的增加，精确度略有下降的趋势，但整体上精确度保持在很高的水平。
通过这条曲线，可以评估模型在目标检测任务中的整体性能，并找到合适的置信度阈值，以在精确率和召回率之间做出最佳平衡。PR 曲线越接近右上角，模型性能越好，曲线下方的面积越大，说明模型在不同置信度下的表现越稳定。
2.2-4、R_curve.png（召回率曲线）
图中的R曲线为Recall-Confidence Curve（召回率-置信度曲线），它展示了不同置信度下的召回率。具体来说，横轴表示置信度，从0.0到1.0；纵轴表示召回率，从0.0到1.0。图中主要有2条曲线：
（1）1条彩色线：代表1个类别的召回率随置信度的变化情况。这条曲线显示了随着置信度的增加，每个类别的召回率先变化较小，然后在某个点之后迅速下降。
（2）深蓝色线：代表所有类别的平均召回率随置信度的变化情况。
展示模型在不同的置信度阈值（confidence thresholds）下的召回率表现。召回率曲线帮助评估模型在目标检测任务中，检测到真正目标的能力。通过这条曲线，用户可以评估模型的检测能力，分析模型在不同阈值下对真实目标的检测是否全面。如果召回率曲线在较低的置信度下表现较好，说明模型可以有效检测大多数目标；如果曲线下降较快，可能需要调整模型或数据集，避免漏检问题。
2.2-5、results.png（结果指标曲线）
这张图展示了基于 YOLOv11 的分割算法（seg）训练和验证过程中的多个指标变化情况。以下是对每个指标的含义和图中趋势的分析：
训练阶段（第一行）
train/box_loss:
含义: 边界框回归损失，衡量预测框与真实框之间的差距。
趋势: 损失值随着训练迭代次数增加而逐渐下降，表明模型在边界框预测上逐渐优化。
train/seg_loss:
含义: 分割损失，衡量分割掩码（mask）与真实掩码之间的差距。
趋势: 损失值快速下降，表明模型在分割任务上逐渐收敛。
train/cls_loss:
含义: 分类损失，衡量预测类别与真实类别之间的差距。
趋势: 损失值下降，表明模型在分类任务上逐渐优化。
train/dfl_loss:
含义: 分布式焦点损失（Distribution Focal Loss），用于提高边界框回归的精度。
趋势: 损失值下降，表明模型在边界框回归的精度上逐渐优化。
metrics/precision(B):
含义: 精确率（Precision），衡量模型预测的正样本中有多少是真正的正样本（针对边界框任务）。
趋势: 精确率逐渐上升并趋于稳定，表明模型在减少误报方面表现良好。
metrics/recall(B):
含义: 召回率（Recall），衡量模型预测的正样本中有多少是真正的正样本（针对边界框任务）。
趋势: 召回率快速上升并趋于稳定，表明模型在检测到更多真实目标的同时保持了较高的准确率。
metrics/precision(M):
含义: 精确率（Precision），针对分割掩码任务。
趋势: 精确率逐渐上升并趋于稳定，表明模型在分割任务中减少了误报。
metrics/recall(M):
含义: 召回率（Recall），针对分割掩码任务。
趋势: 召回率快速上升并趋于稳定，表明模型在分割任务中能够检测到更多的真实目标。
验证阶段（第二行）
val/box_loss:
含义: 验证集上的边界框回归损失。
趋势: 损失值下降，表明模型在验证集上的边界框预测性能逐渐优化。
val/seg_loss:
含义: 验证集上的分割损失。
趋势: 损失值快速下降，表明模型在验证集上的分割性能逐渐优化。但后续存在上升现象，表明模型学习有些过拟合。
val/cls_loss:
含义: 验证集上的分类损失。
趋势: 损失值下降，表明模型在验证集上的分类性能逐渐优化。
val/dfl_loss:
含义: 验证集上的分布式焦点损失。
趋势: 损失值下降，表明模型在验证集上的边界框回归精度逐渐优化。
metrics/mAP50(B):
含义: 平均精度（mAP）在 IoU=0.5 时的值，针对边界框任务。
趋势: mAP50 快速上升并趋于稳定，表明模型在边界框任务上的整体检测性能良好。
metrics/mAP50-95(B):
含义: 平均精度（mAP）在 IoU=0.5 到 0.95 时的值，针对边界框任务。
趋势: mAP50-95 逐渐上升并趋于稳定，表明模型在不同 IoU 阈值下的检测性能逐渐优化。
metrics/mAP50(M):
含义: 平均精度（mAP）在 IoU=0.5 时的值，针对分割掩码任务。
趋势: mAP50 快速上升并趋于稳定，表明模型在分割任务上的整体性能良好。
metrics/mAP50-95(M):
含义: 平均精度（mAP）在 IoU=0.5 到 0.95 时的值，针对分割掩码任务。
趋势: mAP50-95 逐渐上升并趋于稳定，表明模型在不同 IoU 阈值下的分割性能逐渐优化。
【总结】
训练阶段：所有损失函数（box_loss、seg_loss、cls_loss、dfl_loss）均呈下降趋势，表明模型在训练过程中逐渐收敛。同时，精确率和召回率逐渐上升并趋于稳定，表明模型的检测和分割性能良好。
3.推理阶段
使用训练好的模型进行预测(输入测试图片文件夹input_test_images)：
python detect.py
检测完成后，结果保存在output_results文件夹，样例输出如下：
结束语
感谢您的耐心阅读！若文中存在错误，恳请指出，我会努力改进。若您有更优方法，也请不吝分享，让我们共同进步！
【⭐⭐⭐免费获取yolo格式的banana分割数据集，请阅读：
基于yolo11-seg的香蕉种植园语义分割】