单页网站制作教程网络软文推广网站

---

---

前言

YOLOv11 由 Ultralytics 团队在 2024 年 9 月 30 日发布， 最新的 YOLOv11 模型在之前的 YOLO 版本引入了新功能和改进，以进一步提高性能和灵活性。YOLO11 在快速、准确且易于使用，使其成为各种目标检测和跟踪、实例分割、图像分类和姿态估计任务的绝佳选择。可以看出官网 YOLOv11 在COCO数据集上的性能表现，如下图所示：

---

一、YOLOv11代码下载地址

手把手视频安装可以看这个视频： 视频安装教程

官网的源码下载地址 ：官网源码

官网打不开的话，从我的网盘下载就行，链接: 我下载好的源码
提取码: eb9i

1.YOLOv11模型结构图

根据 yolov11.yaml 画出 yolo 整体结构图，如下图所示

---

二、数据集准备

1.数据集标注软件

数据集使用标注软件标注好，我这里推荐两个标注软件，一个是 labelimg，另外一个是 labelme，可以在python环境，使用 pip install labelimg 或者 pip install labelme 进行安装，看你选择哪个标注工具标注了，我使用 labelimg 标注工具

安装完成在终端输入命令启动标注软件

下面是软件界面

设置自动保存标注生成的标注文件

2.voc数据集格式转换

标注格式如果选择VOC格式，后面需要代码转换格式，如果选择yolo格式就不用转换，voc格式转换yolo格式代码如下：

import xml.etree.ElementTree as ET
import os, cv2
import numpy as np
from os import listdir
from os.path import joinclasses = []def convert(size, box):dw = 1. / (size[0])dh = 1. / (size[1])x = (box[0] + box[1]) / 2.0 - 1y = (box[2] + box[3]) / 2.0 - 1w = box[1] - box[0]h = box[3] - box[2]x = x * dww = w * dwy = y * dhh = h * dhreturn (x, y, w, h)def convert_annotation(xmlpath, xmlname):with open(xmlpath, "r", encoding='utf-8') as in_file:txtname = xmlname[:-4] + '.txt'txtfile = os.path.join(txtpath, txtname)tree = ET.parse(in_file)root = tree.getroot()filename = root.find('filename')img = cv2.imdecode(np.fromfile('{}/{}.{}'.format(imgpath, xmlname[:-4], postfix), np.uint8), cv2.IMREAD_COLOR)h, w = img.shape[:2]res = []for obj in root.iter('object'):cls = obj.find('name').textif cls not in classes:classes.append(cls)cls_id = classes.index(cls)xmlbox = obj.find('bndbox')b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text),float(xmlbox.find('ymax').text))bb = convert((w, h), b)res.append(str(cls_id) + " " + " ".join([str(a) for a in bb]))if len(res) != 0:with open(txtfile, 'w+') as f:f.write('\n'.join(res))if __name__ == "__main__":postfix = 'png'    # 图像后缀imgpath = r'E:\A-毕业设计代做数据\helmet\test\images'    # 图像文件路径xmlpath = r'E:\A-毕业设计代做数据\helmet\test\annotations'   # xml文件文件路径txtpath = r'E:\A-毕业设计代做数据\helmet\test\labels'      # 生成的txt文件路径if not os.path.exists(txtpath):os.makedirs(txtpath, exist_ok=True)list = os.listdir(xmlpath)error_file_list = []for i in range(0, len(list)):try:path = os.path.join(xmlpath, list[i])if ('.xml' in path) or ('.XML' in path):convert_annotation(path, list[i])print(f'file {list[i]} convert success.')else:print(f'file {list[i]} is not xml format.')except Exception as e:print(f'file {list[i]} convert error.')print(f'error message:\n{e}')error_file_list.append(list[i])print(f'this file convert failure\n{error_file_list}')print(f'Dataset Classes:{classes}')

代码需要修改的地方如下：
1.postfix参数填图片的后缀，需要注意图片格式要统一，是png格式就写png，是jpg格式就写jpg
2.imgpath参数填图片所在的路径
3.xmlpath参数填标注文件的路径
4.txtpath参数填生成的yolo格式的文件

3.数据集划分

划分训练集和验证集代码如下：

import os, shutil
from sklearn.model_selection import train_test_splitval_size = 0.2
#test_size = 0.2
postfix = 'jpg'
imgpath = r'E:\A-毕业设计代做数据\datasets\images'
txtpath =  r'E:\A-毕业设计代做数据\datasets\labels'output_train_img_folder =r'E:\A-毕业设计代做数据\datasets\dataset_kengwa/images/train'
output_val_img_folder =  r'E:\A-毕业设计代做数据\datasets\dataset_kengwa/images/val'
output_train_txt_folder =  r'E:\A-毕业设计代做数据\datasets\dataset_kengwa\labels/train'
output_val_txt_folder =  r'E:\A-毕业设计代做数据\datasets\dataset_kengwa\labels/val'os.makedirs(output_train_img_folder, exist_ok=True)
os.makedirs(output_val_img_folder, exist_ok=True)
os.makedirs(output_train_txt_folder, exist_ok=True)
os.makedirs(output_val_txt_folder, exist_ok=True)listdir = [i for i in os.listdir(txtpath) if 'txt' in i]
train, val = train_test_split(listdir, test_size=val_size, shuffle=True, random_state=0)#todo：需要test放开# train, test = train_test_split(listdir, test_size=test_size, shuffle=True, random_state=0)
# train, val = train_test_split(train, test_size=val_size, shuffle=True, random_state=0)for i in train:img_source_path = os.path.join(imgpath, '{}.{}'.format(i[:-4], postfix))txt_source_path = os.path.join(txtpath, i)img_destination_path = os.path.join(output_train_img_folder, '{}.{}'.format(i[:-4], postfix))txt_destination_path = os.path.join(output_train_txt_folder, i)shutil.copy(img_source_path, img_destination_path)shutil.copy(txt_source_path, txt_destination_path)for i in val:img_source_path = os.path.join(imgpath, '{}.{}'.format(i[:-4], postfix))txt_source_path = os.path.join(txtpath, i)img_destination_path = os.path.join(output_val_img_folder, '{}.{}'.format(i[:-4], postfix))txt_destination_path = os.path.join(output_val_txt_folder, i)shutil.copy(img_source_path, img_destination_path)shutil.copy(txt_source_path, txt_destination_path)#
# for i in train:
#     shutil.copy('{}/{}.{}'.format(imgpath, i[:-4], postfix), r'E:\1-cheng\4-yolo-dataset-daizuo\multi-classify\bird-boat-horse-aeroplane-sheep\dataset20231219/images/train/{}.{}'.format(i[:-4], postfix))
#     shutil.copy('{}/{}'.format(txtpath, i), r'E:\1-cheng\4-yolo-dataset-daizuo\multi-classify\bird-boat-horse-aeroplane-sheep\dataset20231219/labels/train/{}'.format(i))
#
# for i in val:
#     shutil.copy('{}/{}.{}'.format(imgpath, i[:-4], postfix), r'E:\1-cheng\4-yolo-dataset-daizuo\multi-classify\bird-boat-horse-aeroplane-sheep\dataset20231219/images/val/{}.{}'.format(i[:-4], postfix))
#     shutil.copy('{}/{}'.format(txtpath, i), r'E:\1-cheng\4-yolo-dataset-daizuo\multi-classify\bird-boat-horse-aeroplane-sheep\dataset20231219/labels/val/{}'.format(i))#todo:需要test则放开# for i in test:
#     shutil.copy('{}/{}.{}'.format(imgpath, i[:-4], postfix), 'images/test/{}.{}'.format(i[:-4], postfix))
#     shutil.copy('{}/{}'.format(txtpath, i), 'labels/test/{}'.format(i))

需要修改的地方如下

下面四个参数只需在自己电脑任意位置新建一个文件夹就行，用于存放生成的训练集和验证集，比如新建一个文件夹叫dataset_kengwa，后面的路径不用动，如下图左边的框出来的路径覆盖成你的就行

数据集有以下两种方式放置，都可以进行训练，常见的数据集放置是第一种，也有开源的数据集按照第二种方式放置的，我都遇见过，也能训练起来

4.修改yolo的训练配置文件

我们需要在项目下创建一个data.yaml的文件，文件名根据数据集名称取，我这里方便演示直接叫data.yaml，如下图所示

代码如下：

train: E:\Desktop\new-yolov9\yolotest\images\train  # train images (relative to 'path') 4 images
val: E:\Desktop\new-yolov9\yolotest\images\val  # val images (relative to 'path') 4 imagesnc: 2# class names
names: ['dog','cat']

---

三、YOLO环境配置教程

YOLOv11/YOLOv10/YOLOv9/YOLOv8/YOLOv7/YOLOv5 环境都是通用的，只需要安装一次就行

1.pytorch环境安装

基础环境配置参考教程链接：环境配置链接，如果已经配置好环境可以忽略此步骤

2.其他依赖安装

安装requirements.txt文件的环境，需要注释掉下面两行，前面的步骤已经安装了，不注释的话会覆盖前面的会安装最新版本的pytorch，所以注释掉

没有这个文件可以自己新建一个requirements.txt，然后把下面代码复制进去就好了

# Ultralytics requirements
# Example: pip install -r requirements.txt# Base ----------------------------------------
matplotlib>=3.3.0
numpy==1.24.4 # pinned by Snyk to avoid a vulnerability
opencv-python>=4.6.0
pillow>=7.1.2
pyyaml>=5.3.1
requests>=2.23.0
scipy>=1.4.1
tqdm>=4.64.0# Logging -------------------------------------
# tensorboard>=2.13.0
# dvclive>=2.12.0
# clearml
# comet# Plotting ------------------------------------
pandas>=1.1.4
seaborn>=0.11.0# Export --------------------------------------
# coremltools>=7.0  # CoreML export
# onnx>=1.12.0  # ONNX export
# onnxsim>=0.4.1  # ONNX simplifier
# nvidia-pyindex  # TensorRT export
# nvidia-tensorrt  # TensorRT export
# scikit-learn==0.19.2  # CoreML quantization
# tensorflow>=2.4.1  # TF exports (-cpu, -aarch64, -macos)
# tflite-support
# tensorflowjs>=3.9.0  # TF.js export
# openvino-dev>=2023.0  # OpenVINO export# Extras --------------------------------------
psutil  # system utilization
py-cpuinfo  # display CPU info
thop>=0.1.1  # FLOPs computation
# ipython  # interactive notebook
# albumentations>=1.0.3  # training augmentations
# pycocotools>=2.0.6  # COCO mAP
# roboflow

---

四、YOLOv11训练

(1)在根目录新建一个python文件，取名为：train.py，如果之前看过我的文章，已经新建过就不用重新新建了

(2)把训练代码复制到train.py文件，如果之前看过我的文章，已经复制过了就不用重新复制了，只需修改参数就行
训练的代码如下：

# -*- coding: utf-8 -*-
"""
@Auth ： 挂科边缘
@File ：trian.py
@IDE ：PyCharm
@Motto:学习新思想，争做新青年
@Email ：[e-mail]
"""
import warnings
warnings.filterwarnings('ignore')
from ultralytics import YOLOif __name__ == '__main__':# model.load('yolo11n.pt') # 加载预训练权重,改进或者做对比实验时候不建议打开，因为用预训练模型整体精度没有很明显的提升model = YOLO(model=r'D:\2-Python\1-YOLO\YOLOv11\ultralytics-8.3.2\ultralytics\cfg\models\11\yolo11.yaml')model.train(data=r'data.yaml',imgsz=640,epochs=50,batch=4,workers=0,device='',optimizer='SGD',close_mosaic=10,resume=False,project='runs/train',name='exp',single_cls=False,cache=False,)

注意注意注意：模型配置路径改成你自己的路径，还有数据集配置文件也修改成你自己的路径

训练代码的参数解释：

• model参数：该参数填入模型配置文件的路径，改进的话建议不需要填预训练模型权重
• data参数：该参数可以填入训练数据集配置文件的路径
• imgsz参数：该参数代表输入图像的尺寸，指定为 640x640 像素
• epochs参数：该参数代表训练的轮数
• batch参数：该参数代表批处理大小，电脑显存越大，就设置越大，根据自己电脑性能设置
• workers参数：该参数代表数据加载的工作线程数，出现显存爆了的话可以设置为0，默认是8
• device参数：该参数代表用哪个显卡训练，留空表示自动选择可用的GPU或CPU
• optimizer参数：该参数代表优化器类型
• close_mosaic参数：该参数代表在多少个 epoch 后关闭 mosaic 数据增强
• resume参数：该参数代表是否从上一次中断的训练状态继续训练。设置为False表示从头开始新的训练。如果设置为True，则会加载上一次训练的模型权重和优化器状态，继续训练。这在训练被中断或在已有模型的基础上进行进一步训练时非常有用。
• project参数：该参数代表项目文件夹，用于保存训练结果
• name参数：该参数代表命名保存的结果文件夹
• single_cls参数：该参数代表是否将所有类别视为一个类别，设置为False表示保留原有类别
• cache参数：该参数代表是否缓存数据，设置为False表示不缓存。

注意注意注意：一般做科研改进工作时候可以不用预训练权重，因为用预训练模型整体精度很难提高

我这里演示加载预训练权重，训练输出如下所示：

五、YOLOv11推理

（1）官网的预训练模型下载

进入官网的源码下载地址 ：官网模型下载地址，往下面拉，看到模型位置，YOLOv11 针对不同的场景和应用提供了 YOLOv11n、YOLOv11s 等不同大小的模型，具体看官网提供的，需要下载哪个，鼠标左键单击下载就行。

我的源码包已经下载好了模型了，如果需要其他权重自行下载就行

（2）在根目录新建一个python文件，取名为：detect.py

（3）把推理代码复制到detect.py文件
注意注意注意：模型路径改成你自己的路径，还有预测图像也改成你自己的路径
推理的代码如下：

# -*- coding: utf-8 -*-
"""
@Auth ： 挂科边缘
@File ：detect.py
@IDE ：PyCharm
@Motto:学习新思想，争做新青年
@Email ：[e-mail]
"""from ultralytics import YOLOif __name__ == '__main__':# Load a modelmodel = YOLO(model=r'D:\2-Python\1-YOLO\YOLOv11\ultralytics-8.3.2\yolo11n-seg.pt')  model.predict(source=r'D:\2-Python\1-YOLO\YOLOv11\ultralytics-8.3.2\ultralytics\assets\bus.jpg',save=True,show=True,)

推理代码的参数解释
1.model参数：该参数可以填入模型文件路径
2.source参数：该参数可以填入需要推理的图片或者视频路径，如果打开摄像头推理则填入0就行
3.save参数：该参数填入True，代表把推理结果保存下来，默认是不保存的，所以一般都填入True
4.show参数：该参数填入True，代表把推理结果以窗口形式显示出来，默认是显示的，这个参数根据自己需求打开就行，不显示你就填False就行

分割模型推理结果如下：

目标检测模型推理结果如下：

六、解决训练过程中断怎么继续上次训练

在训练过程不小心中断了，那怎么继续上次的训练了，这里先不慌，官网也的代码写得非常好，它有这个断点训练功能，那么 YOLOv8 v10 v11 处理的方法都是一模一样，接下来直接看图操作就行：

• model参数：该参数填入上次中断的模型，为 last.pt

• resume参数：该参数设置为True，则会加载上一次训练的模型权重和优化器状态，继续训练。

---

总结

YOLOv11训练自己数据集和推理到此结束，有问题可以留言，创作不易，请帮忙点个爱心呗，谢谢