YOLOV11使用方法

1 代码下载到本地

建议：Utuban系统

命令行指令：

下载：Git clone GitHub - ultralytics/ultralytics: Ultralytics YOLO11 🚀

打开：code ultralytics

注：后续流程不依赖requirements.txt安装依赖包

2 新建虚拟环境

conda create -n py39 python=3.9 anaconda

注：末尾+anaconda会自动装额外的科学计算的包，比较好。

注：数据集的格式，YOLO、COCO、VOC、json等，可以相互转换。

3 torch的安装

查看CUDA版本：nvidia-smi，如下：

下载conda时，版本一定要小于等于下图的版本。

Pytorch官网：https://pytorch.org/get-started/previous-versions/

比如下载V2.3.0版本的Conda：

# CUDA 12.4

conda install pytorch==2.4.0 torchvision==0.19.0 torchaudio==2.4.0 pytorch-cuda=12.4 -c pytorch -c nvidia

注：如果遇到conda下载比较慢的时候，可以直接把下载链接复制到浏览器下载，然后直接pip安装下载好的包名字：

pip install torch-2.3.0+cu121-cp310-cp310-linux x86 64.wh1

pip挂代理：

搜索pip proxy

指令：pip install -r requirements.txt --proxy=代理服务器IP:端口号

比如：

4 opencv的安装

指令：pip install opencv-python seaborn --proxy=代理服务器IP:端口号

data.yaml

train、val、test：地址使用images，运行时程序会自动将images替换为labels来寻找标签。

其他包：

pip install thop

5 路径：（推荐使用绝对路径）

比如：data.yaml

方法1：

train: E:/Datasets/Cats/train/images

val: E:/Datasets/Cats/val/images

test: E:/Datasets/Cats/test/images

方法2：

path: E:/Datasets/Cats/

train: train/images

val: val/images

test: test/images

6 bili代码

6.1 新建train.py

from ultralytics import YOLO

if __name__ == ‘__main__’:

model = YOLO(“ultralytics/cfg/models/11/yolo11s.yaml”)   # 模型配置

       # model.load(‘yolov11n.pt’)  # 加载预训练权重。可以不用

        model.train(

               data = ’data.yaml’,

               imgsz = 640,

                epochs = 50,

                batch = 16,

                close_mosaic = 0,

                optimizer = ‘SGD’,

                project = ‘runs/train’,  #保存根目录

                name = ‘exp’,  #保存名字

                )

即可开始训练。

注：虽然原版文件中没有yolo11s.yaml，不用管，可以直接使用，程序会自动下载。

注：如果使用预训练权重，程序运行时会出现一行代码：

Trasferred ???/499 items from pretrained weights.

6.2 新建val.py

import warnings

warnings.filterwarning(‘ignore’)

from ultralytics import YOLO

if __name__ == ‘__main__’

        model = YOLO(“runs/train/exp/weights/best.pt”)   # 模型配置

        model.val(

               data = ’/root/datasets/belt/data.yaml’,

               split = ‘val’,

               imgsz = 640,

                # iou = 0.7,

                # rect = False,

                # save_json = True,  # if you need cal coco metrics

                project = ‘runs/train’,  #保存根目录

                name = ‘exp’,  #保存名字

                )

即可开始验证。

6.3 新建detect.py

import warnings

warnings.filterwarning(‘ignore’)

from ultralytics import YOLO

if __name__ == ‘__main__’

        model = YOLO(“runs/train/exp/weights/best.pt”)   # 模型配置

        model.predict(

               source = ’datasets/images/test’,  # 源图片路径

                project = ‘runs/detect’,  # 保存根目录

                name = ‘exp’,  #保存名字

                save = True,

                # conf = 0.2,

                # iou = 0.7,

                # agnostic_nms = True,

                # visualize = True,  # visualize model features maps

                # line_width = 2,

                # show_conf = False,  # show prediction confidence

                # show_labels = True,  # show prediction labels

                # save_txt = True,  # save result as .txt file

                # save_crop = True,  # save cropped images with results

                )

检测模型框架：

Detection (COCO)

OBB (DOTAv1)

7 Ultralytics (github源码)

7.1 Train

在自定义数据集上训练YOLO11 模型。在该模式下，模型使用指定的数据集和超参数进行训练。训练过程包括优化模型参数，使其能够准确预测图像中物体的类别和位置。

从零开始：

from ultralytics import YOLO

model = YOLO("yolo11n.yaml")

results = model.train(

    data="coco8.yaml",  # path to dataset YAML

    epochs=100,  # number of training epochs

    imgsz=640,  # training image size

    device="cpu",  # device to run on, i.e. device=0 or device=0,1,2,3 or device=cpu

     )

来自预训练模型：

from ultralytics import YOLO

model = YOLO("yolo11n.pt")  # pass any model type

results = model.train(

    data="coco8.yaml",  # path to dataset YAML

    epochs=100,  # number of training epochs

    imgsz=640,  # training image size

    device="cpu",  # device to run on, i.e. device=0 or device=0,1,2,3 or device=cpu

)

7.2 Val

用于在YOLO11 模型训练完成后对其进行验证。在该模式下，模型在验证集上进行评估，以衡量其准确性和泛化性能。该模式可用于调整模型的超参数，以提高其性能。

Train之后的Val：

from ultralytics import YOLO

# Load a YOLO11 model

model = YOLO("yolo11n.yaml")

# Train the model

model.train(data="coco8.yaml", epochs=5)

# Validate on training data

model.val()

在另一个数据集上Val：

from ultralytics import YOLO

# Load a YOLO11 model

model = YOLO("yolo11n.yaml")

# Train the model

model.train(data="coco8.yaml", epochs=5)

# Validate on separate data

model.val(data="path/to/separate/data.yaml")

7.3 Predict

模型从检查点文件加载，用户可以提供图像或视频来执行推理。模型会预测输入图像或视频中物体的类别和位置。

import cv2

from PIL import Image

from ultralytics import YOLO

model = YOLO("model.pt")

# accepts all formats - image/dir/Path/URL/video/PIL/ndarray. 0 for webcam

results = model.predict(source="0")

results = model.predict(source="folder", show=True)  # Display preds. Accepts all YOLO predict arguments

# from PIL

im1 = Image.open("bus.jpg")

results = model.predict(source=im1, save=True)  # save plotted images

# from ndarray

im2 = cv2.imread("bus.jpg")

results = model.predict(source=im2, save=True, save_txt=True)  # save predictions as labels

# from list of PIL/ndarray

results = model.predict(source=[im1, im2])

# show results

results[0].show()

# Export the model to ONNX format

path = model.export(format="onnx") #return path to exported model 返回导出模型的路径