手把手教你使用 YOLOv11 训练自己的数据集

迪菲赫尔曼

已于 2024-11-19 22:14:36 修改

阅读量2.9k

点赞数 20

CC 4.0 BY-SA版权

分类专栏： YOLOv11改进实战文章标签： YOLO YOLO11 GPU 模型训练

于 2024-11-09 00:47:06 首次发布

原创文章为博主个人所有，未经授权不得转载、摘编、传播、倒卖、洗稿或利用其它方式使用上述作品。违反上述声明者，本站将追求其相关法律责任。

本文链接：https://blog.csdn.net/weixin_43694096/article/details/143636688

YOLOv11改进实战专栏收录该内容

20 篇文章 ¥239.90 ¥399.90

订阅专栏

在这里插入图片描述

视频教程地址：bilibili

安装 VSCode ，Visual Studio Code - Code Editing. Redefined
安装 VSCode 插件，Remote-SSH 、 Chinese (Simplified)
领取 50元算力券(24小时4090显卡)，无需认证！

博主粉丝福利，限量领取
https://cloud.lanyun.net/#/registerPage?promoterCode=5f738eaf90
租显卡设备
上传数据集

数据集链接：https://pan.baidu.com/s/14Gw_jymmUxQAWv3JNvgwqw

提取码：df66
或： https://download.csdn.net/download/weixin_43694096/88369997
解压数据集到指定位置：unzip -d /root/VOC2007/ /root/lanyun-fs/VOC2007.zip
下载代码：
source /etc/network_turbo # 开启代理
git clone https://github.com/ultralytics/ultralytics --branch v8.3.12
初始化 conda init
新建conda环境：conda create --name yolov8 python=3.10 -y
激活conda环境：conda activate yolov8
安装环境：
unset http_proxy && unset https_proxy # 关闭代理
pip install -e . -i https://pypi.tuna.tsinghua.edu.cn/simple
下载权重 wget https://github.com/ultralytics/assets/releases/download/v8.3.0/yolo11n.pt
推理模型：

from ultralytics import YOLO

if __name__ == '__main__':
    # 加载模型
    model = YOLO(r'yolov8n.pt')  # YOLOv8n模型
    model.predict(
        source=r'ultralytics/assets/bus.jpg',
        save=True,  # 保存预测结果
        project='runs/predict',  # 项目名称（可选）
        name='exp',  # 实验名称，结果保存在'project/name'目录下（可选）
    )

编写数据集 yaml 文件
训练模型：

from ultralytics import YOLO

if __name__ == '__main__':
    # 加载模型
    model = YOLO('yolov11.yaml', task="detect")  # 不使用预训练权重训练 | detect, segment, classify, pose, obb
    # model = YOLO(r'yolov11.yaml').load("yolov11n.pt")  # 使用预训练权重训练
    # 训练参数 ----------------------------------------------------------------------------------------------
    model.train(
        data='coco128.yaml',
        epochs=100,  # (int) 训练的周期数
        patience=50,  # (int) 等待无明显改善以进行早期停止的周期数
        batch=32,  # (int) 每批次的图像数量（-1 为自动批处理）
        imgsz=640,  # (int) 输入图像的大小，整数或w，h
        save=True,  # (bool) 保存训练检查点和预测结果
        save_period=-1,  # (int) 每x周期保存检查点（如果小于1则禁用）
        cache=True,  # (bool) True/ram、磁盘或False。使用缓存加载数据
        device='',  # (int | str | list, optional) 运行的设备，例如 cuda device=0 或 device=0,1,2,3 或 device=cpu
        workers=8,  # (int) 数据加载的工作线程数（每个DDP进程）
        project='runs/train',  # (str, optional) 项目名称
        name='exp',  # (str, optional) 实验名称，结果保存在'project/name'目录下
        pretrained=True,  # (bool | str) 是否使用预训练模型（bool），或从中加载权重的模型（str）
        optimizer='SGD',  # (str) 要使用的优化器，选择=[SGD，Adam，Adamax，AdamW，NAdam，RAdam，RMSProp，auto]
        verbose=True,  # (bool) 是否打印详细输出
        seed=0,  # (int) 用于可重复性的随机种子
        close_mosaic=0,  # (int) 在最后几个周期禁用马赛克增强
        resume=False,  # (bool) 从上一个检查点恢复训练
        amp=False,  # (bool) 自动混合精度（AMP）训练，选择=[True, False]，True运行AMP检查
    )

评估模型：

from ultralytics import YOLO

if __name__ == '__main__':
    # 加载模型
    model = YOLO(r'yolov8n.pt')  
    # 验证模型
    metrics=model.val(
        data=r'coco128.yaml',
        split='val',  # (str) 用于验证的数据集拆分，例如'val'、'test'或'train'
        batch=1,  # (int) 每批的图像数量（-1 为自动批处理）
        imgsz=640,  # 输入图像的大小，可以是整数或w，h
        device=0,  # 运行的设备，例如 cuda device=0 或 device=0,1,2,3 或 device=cpu
        workers=8,  # 数据加载的工作线程数（每个DDP进程）
        iou=0.6,  # 非极大值抑制 (NMS) 的交并比 (IoU) 阈值
        project='runs/val',  # 项目名称（可选）
        name='exp',  # 实验名称，结果保存在'project/name'目录下（可选）
    )
    print(f"mAP50-95: {metrics.box.map}") # map50-95
    print(f"mAP50: {metrics.box.map50}")  # map50
    print(f"mAP75: {metrics.box.map75}")  # map75
    speed_metrics = metrics.speed
    total_time = sum(speed_metrics.values())
    fps = 1000 / total_time
    print(f"FPS: {fps}") # FPS