yolov11训练数据集教程val.py

### YOLOv11 训练数据集教程与 `val.py` 使用方法 #### 关于 YOLOv11 的背景介绍 YOLO系列算法不断演进，从最初的YOLOv1到最新的版本，在性能和易用性方面都有显著提升。尽管当前讨论的是YOLOv11，但许多基础概念仍然适用于较早的版本[^1]。 #### 准备训练数据集 为了准备用于YOLOv11的数据集，通常需要完成以下几个方面的配置： - **标签格式转换**：确保图像对应的标注文件遵循YOLO所需的格式，即每张图片对应一个`.txt`文件，其中每一行表示一个边界框及其类别索引。 - **划分数据集**：将整个数据集划分为训练集、验证集以及测试集三部分。一般推荐的比例为70%训练集、20%验证集、10%测试集，但这并非固定不变，可根据具体需求调整。 - **编写数据清单文件**：创建包含所有样本路径列表的文字文档（如train.txt, val.txt），以便模型能够读取这些信息来进行相应的操作。 #### 编写或修改 `val.py` 由于官方可能并未提供现成的`val.py`脚本给YOLOv11使用者，可以根据已有资源自行构建此功能模块。以下是基于现有YOLO架构下如何实现的一个简单示例[^3]: ```python import argparse from pathlib import Path from models.experimental import attempt_load from utils.datasets import create_dataloader from utils.general import check_img_size, non_max_suppression, scale_coords, xyxy2xywh from utils.metrics import ap_per_class, box_iou from utils.torch_utils import select_device def main(opt): device = select_device(opt.device) # 加载预训练权重并初始化网络结构 model = attempt_load(weights=opt.weights, map_location=device) with open(opt.data) as f: data_dict = yaml.load(f, Loader=yaml.SafeLoader) nc = int(data_dict['nc']) # number of classes dataloader = create_dataloader( path=data_dict["val"], imgsz=imgsz, batch_size=batch_size, stride=int(model.stride.max()), # model stride pad=0.5, rect=True)[0] names = model.module.names if hasattr(model, 'module') else model.names seen = 0 iouv = torch.linspace(0.5, 0.95, 10).to(device) # iou vector for [email protected]:0.95 niou = iouv.numel() s = ('%20s' + '%11s' * 6) % ( 'Class', 'Images', 'Targets', 'P', 'R', '[email protected]', '[email protected]:.95') p, r, f1, mp, mr, map50, map = 0., 0., 0., 0., 0., 0., 0. loss = torch.zeros(3, device=device) jdict, stats, ap, ap_class = [], [], [], [] for batch_i, (img, targets, paths, shapes) in enumerate(dataloader): img = img.to(device, non_blocking=True) img = img.float() / 255.0 pred = model(img)[0] target_cls = [] for t in targets[:, :]: cls = int(t[0]) bbox = list(map(float, t[1:])) target_cls.append(cls) preds = non_max_suppression(pred, conf_thres=conf_thres, iou_thres=iou_thres, multi_label=False) correct = [] detected = [] for si, pred in enumerate(preds): labels = targets[targets[:, 0] == batch_i][:, :] nl = len(labels) tcls = labels[:, 0].tolist() if len(pred) == 0: continue predn = pred.clone().cpu() scale_coords(img.shape[2:], predn[:, :4], shapes[si][0]) correct.extend([False]*len(pred)) if nl: detected_set = set() ious = box_iou(labels[:, 1:], predn[:, :4]).T x = np.where((ious >= iou_thres) & (~np.isin(np.arange(len(pred)), detected)))[0] if x.shape[0]: matches = [[x[i]] for i in range(x.shape[0])] unique_matches = {k:v[-1] for k,v in groupby(sorted(matches))} for mi, di in unique_matches.items(): detected_set.add(di.item()) detected.extend(list(detected_set)) correct[list(unique_matches.keys())] = True stats.append(( correct, pred[:, 4], pred[:, 5:].argmax(dim=1), tcls )) stats = [torch.cat(x, dim=0).cpu().numpy() for x in zip(*stats)] tp, fp, p, r, f1, ap, f1_index = ap_per_class(*stats) AP50_F1_max_idx = f1.mean(0).argmax() precision, recall, F1_score = p[:, AP50_F1_max_idx], r[:, AP50_F1_max_idx], f1[:, AP50_F1_max_idx] mean_precision, mean_recall, mean_f1 = precision.mean(), recall.mean(), F1_score.mean() print(s) print('%20s' + '%11.3g' * 6 % ( "All", seen, nt.sum(), mean_precision*100, mean_recall*100, ap[:, 0].mean()*100, ap.mean()*100)) if __name__ == '__main__': parser = argparse.ArgumentParser() parser.add_argument('--weights', type=str, default='yolov5s.pt', help='model.pt path(s)') parser.add_argument('--data', type=str, default='./data/coco.yaml', help='*.yaml path') parser.add_argument('--device', default='', help='cuda device, i.e. 0 or 0,1,2,3 or cpu') opt = parser.parse_args() main(opt) ``` 上述代码展示了如何通过PyTorch加载模型并对验证集中的一批数据执行预测过程的一部分逻辑。需要注意的是实际应用时还需要考虑更多细节处理，比如多线程加速、内存管理等优化措施[^2]。