如何用 YOLOv11 训练自己的数据集 教程 步骤 参数配置 自定义 数据准备 格式转换

### YOLOv11 自定义数据集训练教程 目前尚未有官方发布的 YOLOv11 版本，因此假设您指的是基于现有版本（如 YOLOv5 或 YOLOv4）的扩展或改进版。以下是针对自定义数据集训练的一般流程，涵盖了数据准备、格式转换、参数配置以及具体步骤。 #### 一、数据准备 为了训练自定义数据集，需确保数据满足特定格式要求。通常支持两种常见格式：VOC 和 COCO。 1. **准备数据集** 收集并整理图像及其对应的标注文件。每张图片应有一个对应的标注文件，描述目标的位置和类别[^1]。 2. **划分数据集** 将数据划分为训练集、验证集和测试集。推荐比例为 80% 训练、10% 验证、10% 测试。 3. **处理标注结果** 如果原始标注不是 VOC 或 COCO 格式，则需要将其转换为目标检测框架所需的格式。例如，在 YOLO 中，标签文件通常是 `.txt` 文件，每一行表示一个边界框，格式如下： ``` <class_id> <x_center> <y_center> <width> <height> ``` 这些值均以相对坐标形式给出，范围在 `[0, 1]` 内。 #### 二、格式转换 如果您的数据最初是以其他格式存储的，可以编写脚本来完成转换。以下是一个简单的 Python 脚本用于将 Pascal VOC 格式的 XML 文件转换为 YOLO 格式： ```python import xml.etree.ElementTree as ET import os def convert(size, box): dw = 1./(size[0]) dh = 1./(size[1]) x = (box[0] + box[1])/2.0 - 1 y = (box[2] + box[3])/2.0 - 1 w = box[1] - box[0] h = box[3] - box[2] x = x*dw w = w*dw y = y*dh h = h*dh return (x,y,w,h) def convert_annotation(xml_file, output_dir, class_names): tree = ET.parse(xml_file) root = tree.getroot() size = root.find('size') w = int(size.find('width').text) h = int(size.find('height').text) lines = [] for obj in root.iter('object'): difficult = obj.find('difficult').text cls = obj.find('name').text if cls not in class_names or int(difficult)==1: continue cls_id = class_names.index(cls) xmlbox = obj.find('bndbox') b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text), float(xmlbox.find('ymax').text)) bb = convert((w,h), b) lines.append(f"{cls_id} {' '.join([str(a) for a in bb])}") with open(os.path.join(output_dir, f'{os.path.splitext(os.path.basename(xml_file))[0]}.txt'), 'w') as out_file: out_file.write('\n'.join(lines)) # 使用示例 convert_annotation("path_to_xml.xml", "output_directory/", ["cat", "dog"]) ``` #### 三、构建数据集配置文件 创建一个 `.yaml` 文件来指定数据路径和其他设置。对于 YOLOv5，该文件可能类似于以下内容： ```yaml train: ../datasets/train/images/ val: ../datasets/valid/images/ nc: 2 # 类别数量 names: ['cat', 'dog'] # 类别名称列表 ``` #### 四、修改模型配置文件 调整预设的超参数以适应新任务的需求。例如，更改 `anchors`, `batch_size`, `epochs` 等参数。 #### 五、开始训练 运行命令启动训练过程。如果是 YOLOv5，可执行以下命令： ```bash python train.py --img 640 --batch 16 --epochs 50 --data dataset.yaml --weights yolov5s.pt ``` #### 六、性能评估 通过绘制损失曲线、mAP 值等方式分析模型表现，并根据需求进一步优化。 ---