手把手教你使用yolov11训练自己的数据集和推理

### 使用YOLOv11训练自定义数据集并实现推理 #### 一、YOLOv11简介 YOLOv11作为Ultralytics YOLO系列的目标检测算法之一，在性能和易用性方面都有显著提升[^4]。其核心优势在于快速的推理速度和高精度，适用于多种实际场景。 --- #### 二、环境配置 为了顺利运行YOLOv11，需完成以下准备工作： ##### 1. 安装PyTorch YOLOv11基于PyTorch框架开发，因此需要先安装合适的PyTorch版本。具体命令如下： ```bash pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 ``` ##### 2. 克隆YOLOv11仓库 通过Git克隆官方GitHub仓库以获取源码： ```bash git clone https://github.com/ultralytics/yolov11.git cd yolov11 ``` ##### 3. 安装依赖项 执行以下命令来安装所需的Python库： ```bash pip install -r requirements.txt ``` --- #### 三、数据集准备 以下是针对自定义数据集的具体操作流程： ##### 1. 数据收集与标注 使用工具（如LabelImg）对图像进行标注，并保存为Pascal VOC格式或COCO格式[^2]。 ##### 2. 转换至YOLO格式 如果原始标注不是YOLO格式，则需要将其转换。假设已有的标注文件为VOC格式，可以利用脚本批量处理： ```python from xml.etree import ElementTree as ET import os def convert_voc_to_yolo(xml_file, output_dir): tree = ET.parse(xml_file) root = tree.getroot() image_width = int(root.find('size').find('width').text) image_height = int(root.find('size').find('height').text) with open(os.path.join(output_dir, f"{os.path.splitext(os.path.basename(xml_file))[0]}.txt"), 'w') as out_file: for obj in root.findall('object'): class_name = obj.find('name').text bbox = obj.find('bndbox') x_min = float(bbox.find('xmin').text) y_min = float(bbox.find('ymin').text) x_max = float(bbox.find('xmax').text) y_max = float(bbox.find('ymax').text) x_center = (x_min + x_max) / (2 * image_width) y_center = (y_min + y_max) / (2 * image_height) width = abs(x_max - x_min) / image_width height = abs(y_max - y_min) / image_height out_file.write(f"0 {x_center} {y_center} {width} {height}\n") # 遍历XML文件夹并调用函数 xml_folder = './annotations' output_txt_folder = './labels' if not os.path.exists(output_txt_folder): os.makedirs(output_txt_folder) for file in os.listdir(xml_folder): if file.endswith('.xml'): convert_voc_to_yolo(os.path.join(xml_folder, file), output_txt_folder) ``` ##### 3. 划分数据集 将数据分为训练集、验证集和测试集。通常比例为7:2:1。创建`train.txt`和`val.txt`文件记录对应的图片路径列表。 ##### 4. 修改配置文件 编辑`data/custom.yaml`文件指定类别名称及数据分布： ```yaml train: ./images/train/ val: ./images/val/ nc: 1 # 类别数量 names: ['custom_class'] # 自定义类名 ``` --- #### 四、模型训练 启动训练过程前，确保GPU驱动正常工作。运行以下命令即可开始训练： ```bash python train.py --img 640 --batch 16 --epochs 50 --data custom.yaml --weights yolov11.pt ``` 其中参数解释如下： - `--img`: 输入图像尺寸，默认为640×640。 - `--batch`: 批量大小。 - `--epochs`: 总轮次。 - `--data`: 数据配置文件路径。 - `--weights`: 初始化权重文件位置。 --- #### 五、模型推理 当训练完成后，可加载最佳权重文件用于推断新样本的结果。示例代码如下所示： ```python from ultralytics import YOLO model = YOLO('./runs/detect/train/weights/best.pt') results = model.predict(source='test.jpg', save=True, conf=0.5) ``` 上述脚本会读取一张名为`test.jpg`的图片，并输出带有边界框标记后的结果存储于本地磁盘中。 --- #### 六、常见问题解答 1. **中断恢复**: 如果因意外原因导致训练中途停止，可通过设置`resume`选项续训： ```bash python train.py --resume ``` 2. **显存不足错误**: 减少批次规模或将分辨率调整得更低一些尝试缓解此状况。 ---