python-opencv定位边缘清晰的目标

### 使用YOLOv11训练自定义VOC格式数据集 #### 准备工作环境 为了顺利使用YOLOv11训练自定义的VOC格式数据集，需先安装必要的依赖项并下载YOLOv11源码。通常情况下，建议创建一个新的虚拟环境以避免与其他项目发生冲突。 ```bash conda create -n yolov11 python=3.8 conda activate yolov11 pip install -r requirements.txt ``` #### 数据集准备 对于VOC格式的数据集，其目录结构应遵循特定模式以便于框架识别和处理： - `images` 文件夹内放置所有的图像文件； - `annotations` 存储对应的XML标注文件； - `ImageSets/Main` 下则保存用于指定哪些样本属于训练集、验证集或测试集的文字列表文件[^2]。 #### 修改配置文件 针对YOLOv11而言，在开始训练前还需要调整几个重要的参数设定。这主要包括但不限于以下几个方面： - **模型架构**: 如果有特殊需求可编辑`.yaml`文件中的网络层设计部分。 - **超参设置**: 如学习率(`lr`)、批次大小(`batch-size`)等均可以在相应的Python脚本中找到并更改[^3]。 ```python # train.py 中的部分代码片段展示 if __name__ == '__main__': parser = argparse.ArgumentParser() parser.add_argument('--weights', type=str, default='yolov11_training.pt') parser.add_argument('--cfg', type=str, required=True) parser.add_argument('--data', type=str, required=True) parser.add_argument('--epochs', type=int, default=300) parser.add_argument('--batch-size', type=int, default=16) opt = parser.parse_args() ``` #### 开始训练过程 当一切准备工作完成后就可以启动实际的训练流程了。通过命令行调用`train.py`即可执行此操作，并传入之前提到的各项必要参数作为输入选项。 ```bash python train.py --img 640 --batch 16 --epochs 50 --data mydata.yaml --cfg models/yolov11.yaml --weights '' --cache ```