yolov11训练数据集

### YOLOv11 训练数据集格式要求与准备方法 #### 数据集格式要求 对于YOLOv11而言，所需的数据集应遵循特定的格式以便于模型的有效训练。具体来说，标签文件应当采用`.txt`格式，并且每一个对象占据一行记录，其内部结构由类别编号以及边界框的位置信息组成，即`<class_id> <x_center> <y_center> <width> <height>`[^1]。 - `class_id`: 对象所属类别的索引号。 - `<x_center>` 和 `<y_center>` : 表示目标中心点相对于图像宽度和高度的比例坐标。 - `<width>` 和 `<height>` ：表示边框宽高同样基于图片尺寸比例计算得出的结果。 #### 数据集准备方法 为了使YOLOv11能够顺利读取并利用自定义数据集开展学习过程，需按照以下方式整理资料： 1. **创建目录结构** 构建合理的文件夹体系来存储各类资源是非常重要的一步。通常情况下会建立如下所示的基础架构： - dataset/ - images/ (用于放置原始图片素材) - train/ - val/ - test/ - labels/ (对应上述各子集中每张图对应的标注文件位置) - train/ - val/ - test/ 2. **编写配置文件** 配置文件中包含了有关数据源路径以及其他必要设置项的信息，在`ultralytics/yolo/cfg/default.yaml`可以找到相关参数设定[^2]。确保此文档内指定了正确的图片与标签所在地址，这有助于框架自动识别所要处理的内容集合。 3. **划分数据集** 将收集好的样本合理切分为训练集、验证集及测试集三部分。这一操作可以通过编程手段实现自动化流程；例如，下面给出了一段Python脚本作为示范用途，它可以根据指定比例随机分配各个子集中的成员: ```python import os from sklearn.model_selection import train_test_split import shutil def split_dataset(image_folder, label_folder, output_dir, test_size=0.2, random_state=42): image_files = [f for f in os.listdir(image_folder) if f.endswith('.jpg') or f.endswith('.png')] # Split the data into training and testing sets train_images, test_images = train_test_split( image_files, test_size=test_size, random_state=random_state ) # Further divide the remaining part of 'train' set as validation subset. train_images, valid_images = train_test_split(train_images,test_size=test_size/(1-test_size),random_state=random_state) subsets = [('train', train_images), ('val', valid_images), ('test', test_images)] for subset_name, subset_images in subsets: subset_image_path = os.path.join(output_dir,'images',subset_name) subset_label_path = os.path.join(output_dir,'labels',subset_name) os.makedirs(subset_image_path, exist_ok=True) os.makedirs(subset_label_path, exist_ok=True) for img_file in subset_images: base_filename = os.path.splitext(img_file)[0] src_img = os.path.join(image_folder,img_file) dst_img = os.path.join(subset_image_path,img_file) shutil.copy(src_img,dst_img) src_lbl = os.path.join(label_folder,f"{base_filename}.txt") dst_lbl = os.path.join(subset_label_path,f"{base_filename}.txt") shutil.copy(src_lbl,dst_lbl) split_dataset('path_to_your_images','path_to_your_labels','output_directory') ```