yolo11s

### 使用YOLO v1.1的相关文档和实践指南 YOLO（You Only Look Once）是一种高效的实时目标检测算法，其早期版本v1.1已经具备了一些基础功能[^2]。以下是关于如何使用YOLO v1.1以及相关配置的信息。 #### 数据集准备 为了训练YOLO模型，需要准备好数据集并按照特定结构组织文件。通常情况下，数据集应分为训练集（`train`）、验证集（`val`），可选地还可以有测试集（`test`）。具体的数据集目录结构可以参考以下示例： ```plaintext dataset/ ├── images/ │ ├── train/ # 训练图片 │ └── val/ # 验证图片 └── labels/ ├── train/ # 对应的标签文件 └── val/ # 对应的标签文件 ``` 对于自定义数据集，推荐使用工具如 `LabelMe` 进行标注，并将其转换为适合YOLO格式的标签文件。每个图像对应的标签文件是一个`.txt` 文件，其中每一行表示一个边界框及其类别索引[^2]。 #### YAML配置文件 YOLO依赖于YAML文件来描述数据集路径和其他参数。以下是一个典型的YAML文件模板，用于指定数据集的位置和类别名称： ```yaml # Dataset configuration for YOLO training path: E:/Practice/DeepLearning/Yolo_Test/dataset/hand # Root directory of the dataset train: images/train # Path to training images relative to 'path' val: images/val # Path to validation images relative to 'path' # Optional fields test: # Test set (if available) # Number of classes and their names names: 0: hand-1 # Class name with index 0 1: hand-2 # Class name with index 1 2: hand-5 # Class name with index 2 ``` 此配置文件中的字段解释如下： - **`path`**: 数据集根目录。 - **`train` 和 `val`**: 分别指向训练集和验证集的相对路径。 - **`names`**: 定义了各个类别的名称及其对应索引。 #### 模型训练命令 假设已安装YOLO框架并下载了预训练权重，则可以通过以下命令启动训练过程： ```bash yolo task=detect mode=train model=yolov1.pt data=hand.yaml epochs=100 imgsz=640 ``` 在此命令中： - **`task=detect`**: 表明这是一个目标检测任务。 - **`mode=train`**: 启动训练模式。 - **`model=yolov1.pt`**: 加载YOLO v1的基础模型或预训练权重。 - **`data=hand.yaml`**: 提供之前创建的数据集配置文件。 - **`epochs=100`**: 设置总的训练轮次。 - **`imgsz=640`**: 图像输入大小设置为640×640像素。 #### 自定义实例分割教程 如果计划扩展到实例分割领域，需额外关注掩码标注部分。通过`LabelMe`完成对象轮廓的手动绘制后，导出JSON格式的标注文件，并进一步转化为Mask R-CNN或其他支持实例分割的框架所需的二进制掩码形式[^2]。 --- ### 示例代码片段 以下是一段简单的Python脚本，展示如何加载YOLO模型并对单张图片执行推理操作： ```python from ultralytics import YOLO # Load a pretrained YOLOv1 model model = YOLO('yolov1.pt') # Perform inference on an image results = model.predict(source='example.jpg', conf=0.5, iou=0.45) for result in results: boxes = result.boxes.xyxy.cpu().numpy() # Bounding box coordinates scores = result.boxes.conf.cpu().numpy() # Confidence score class_ids = result.boxes.cls.cpu().numpy() # Class indices ``` ---