保姆教程：使用yolov11训练NEU-DET钢材缺陷数据集(准确率超高)

最近Ultralytics 公司发布了 YOLOv11，这一最新一代实时目标检测器在之前 YOLO 版本的基础上进行了升级。YOLOv11 不仅继续优化目标检测功能，还扩展了对目标追踪、实例分割、图像分类和姿态估计等多项任务的支持，进一步增强了其在各类计算机视觉应用中的表现与灵活性。

与前几版本YOLO不同，这一版本是Ultralytics公司自行研制，在性能上都表现了卓越的性能。

主要功能：

增强型特征提取：YOLOv11 采用改进的骨干网络和颈部架构，显著提升了特征提取能力，带来了更精确的目标检测和处理复杂任务的更高性能。

优化效率与速度：通过创新的架构设计和优化的训练管道，YOLOv11 提供了更快速的处理速度，同时在准确性与性能之间保持了最佳平衡。

参数更少，精度更高：得益于设计的优化，YOLOv11m 在 COCO 数据集上实现了更高的平均精度（mAP），同时其参数量比 YOLOv8m 减少了 22%，在不影响精度的情况下大幅提升了计算效率。

跨环境适应性：YOLOv11 可以无缝部署于多种环境，包括边缘设备、云平台以及支持 NVIDIA GPU 的系统，确保其灵活性和可扩展性。

广泛的任务支持：无论是目标检测、实例分割、图像分类、姿态估计，还是面向对象检测（OBB），YOLOv11 都能够应对各类计算机视觉任务，展现出强大的多任务处理能力。

并且YOLOv11也推出了不同的型号，来支持不同的应用场景

今天就按照官方文档全程过一遍训练流程，大家可以按照自己的数据去训练这个流程。

yolo环境需要torch支持，本次训练使用torch2.0.1，GPU：4060。

在官方Download文件，或者git clone到本地。解压后发现其自带一堆数据集。

解压yolo模型后需要安装ultralytics库

pip install ultralytics

安装完成库后可以直接开始训练自己的数据集了，本次训练采用东北大学的NEU-DET钢材缺陷数据集。有需要的小伙伴可以关注一下后台私我。

确保自己的文件是这种格式，并且要建立data.yaml文件告诉yolo模型数据位置。

├─train│  ├─images│  └─labels└─valid    ├─images    └─labels

data.yaml文件：

train: E:\NEU-DET\NEU-DET\train\images  # 训练数据集路径val: E:\NEU-DET\NEU-DET\valid\images  # 验证数据集路径
nc: 6  # 类别数names: ['crazing', 'inclusion', 'patches', 'pitted_surface', 'rolled-in_scale', 'scratches']  # 类别名称

在vscode中输入下面一行代码,这是官方给的代码，可以看一下各个参数的意义

yolo detect train data=coco.yaml model=yolov10n/s/m/b/l/x.yaml epochs=500 batch=256 imgsz=640 device=0,1,2,3,4,5,6,7

yolo detect train：启动目标检测模型训练。

data=coco.yaml：指定数据集配置，使用 COCO 数据集。

model=yolov10n/s/m/b/l/x.yaml：选择 YOLOv11 的不同模型版本（n, s, m, b, l, x 代表不同规模的模型）。

epochs=500：训练 500 个周期。

batch=256：每批次 256 张图像。

imgsz=640：输入图像尺寸为 640x640。

device=0,1,2,3,4,5,6,7：在多个 GPU（设备编号 0 到 7）上并行训练。

如何训练自己的模型呢，我们可以修改一下这个代码

你可以使用官方训练好的最优权重，也可以选择官方提供的预训练模型配置文件。这里选择了最优权重 yolov11n.pt 模型作为基础。

下面就是修改好的代码，直接在终端运行即可，第一次训练可以选择10个周期，device根据自己需要选择，0就是1个，每个GPU就选择device=cpu，使用cpu进行训练。

yolo detect train data=D:\yolov10-main\ultralytics\nn\modules\yolo11n.pt model=D:\yolov10-main\ultralytics\nn\modules\yolo11n.pt epochs=10 batch=16 imgsz=640 device=0

这个输出列出了每一层的详细信息，包括层的类型（如 Conv、C3k2 等）、输入和输出的通道数以及其他参数（如卷积核大小、步幅等）。

这就是正在训练了

每次听到扇叶嗡嗡的转就有成就感，不知道大家跟我是不是一样的

YOLO11n summary (fused): 238 layers, 2,583,322 parameters, 0 gradients, 6.3 GFLOPs                 Class     Images  Instances      Box(P          R      mAP50  mAP50-95): 100%|██████████| 1/1 [00:00<00:00,  6.08it/s]                   all         30         64      0.688      0.825      0.806      0.501               crazing          5          8      0.552      0.625      0.505      0.185             inclusion          5         15      0.484        0.8      0.743      0.448               patches          5         17       0.66          1      0.972      0.655        pitted_surface          5          8      0.876          1      0.995      0.707       rolled-in_scale          5          9      0.857      0.666      0.728      0.383             scratches          5          7      0.697      0.857      0.894      0.625Speed: 0.2ms preprocess, 1.6ms inference, 0.0ms loss, 0.6ms postprocess per image

Class：类别名称。

Images：每个类别在评估集中的图像数量。

Instances：每个类别在评估集中的目标实例数。

Box(P)：预测框的精度（Precision）。

R：召回率（Recall）。

mAP50：在 IOU 阈值为 50% 时的平均精度（mean Average Precision at 50% IoU）。

mAP50-95：在多个 IOU 阈值（从 50% 到 95%）下的平均精度，通常是衡量模型精度的更全面指标。

从总体指标来看，YOLOv11 在整体的 mAP50（0.806）表现较好，但在 mAP50-95（0.501）上略显不足，表示在多重 IoU 阈值下的表现不如单一阈值。

对于每个类别，表现有较大差异。像 pitted_surface 和 patches 等类别的性能相对较好，而 crazing 和 rolled-in_scale 的表现较差，尤其是在 mAP50-95 上表现较弱。

观察训练结果：

labels

F1 Score

result

可以看出训练结果还是很棒的

需要数据和源码及权重文件的可以关注公众号PythoniCave,后台私信