【YOLO11模型训练】使用YOLO11在自己的数据集上进行简单的模型训练、预测与导出

前言：

模型训练相比预测，会稍稍麻烦一点，特别是构建自己的数据集用于目标检测，在数据集的处理上需要耗费大量时间与耐心，本文会带你从0到1处理自己的数据集并用于YOLO11的模型训练与目标检测。

另外，本文章只针对使用YOLO11在自己的数据集上的训练、预测与模型导出，如果对于YOLO11的部署及预测仍然不清楚，可以先看我的另一篇文章：

【YOLO11速通指南】本地快速部署及预测（目标检测+实例分割+姿态估计）https://blog.csdn.net/2301_78753314/article/details/143943167

下面会带你完成一次数据集的处理，我推荐了2个广受好评且免费的标注工具，前提是自备图片数据集。

一、数据集标注：

数据集标注，简而言之就是给数据集里面的图片“画框”，在训练模型时，数据集的标注提供了“正确答案”，让模型知道每张图像中的目标是什么，以及它们的位置（如边界框）。通过这些标注，模型能够学习从输入图像到正确输出（如类别和位置）之间的映射关系，从而在面对新的、未见过的数据时，能够准确地预测目标的位置和类别。没有标注，模型就没有办法知道什么是正确的预测，无法学习有效的特征，如图1.1.5。

1.1 数据集标注工具 1：labelimg

1.1.1 创建conda环境，解释器版本>=3.8

1.1.2 激活环境

1.1.3 下载labelimg与依赖（顺序下载否则会报错）

# 顺序安装，否则会报错
pip install PyQt5 -i https://pypi.tuna.tsinghua.edu.cn/simple

pip install pyqt5-tools -i https://pypi.tuna.tsinghua.edu.cn/simple

pip install lxml -i https://pypi.tuna.tsinghua.edu.cn/simple

pip install labelimg -i https://pypi.tuna.tsinghua.edu.cn/simple

1.1.4下载完成后输入：labelimg进入图形化界面

如下图所示：

1.1.5 进行标注(图片示例)：

1.1.6 详细安装参考：

LabelImg安装与使用教程https://blog.csdn.net/qq_42591591/article/details/140050354

另外，手工进行数据集标注是一个体力活，下面是一些快捷键以提高效率：

• W：调出标注的十字架，开始标注
• A：切换到上一张图片
• D：切换到下一张图片
• Ctrl+S：保存标注好的标签
• del：删除标注的矩形框
• Ctrl+鼠标滚轮：按住Ctrl，然后滚动鼠标滚轮，可以调整标注图片的显示大小
• Ctrl+u：选择要标注图片的文件夹
• Ctrl+r：选择标注好的label标签存放的文件夹
• ↑→↓←：移动标注的矩形框的位置

1.2 数据集标注工具 2：T-Rex Label

地址：T-Rex Label: 标注从未如此简单

数据集标注工具较多，不限制具体使用哪种工具，但是要支持YOLO（TXT）格式，不然还需要用代码转格式：

YOLO格式的标注文件包含了对象的类别索引和对象边界框的相对坐标。每个对象的标注信息占一行，格式如下：

<object-class> <x_center> <y_center> <width> <height>

其中，<object-class>是对象类别的索引，<x_center>和<y_center>是边界框中心的相对坐标，<width>和<height>是边界框的相对宽度和高度。

由于篇幅限制，不赘述如何使用这些工具，可以参考其他针对性的文章教程，例如：

参考教程：【T-Rex Label基础教程】全新的自动化图片标注工具/软件 提高效率必备 可在线https://blog.csdn.net/luokang21/article/details/142501950

二、数据集格式：

datasets/
├── train/ # 训练集
│   ├── images/ # images文件夹是用来存放图片的
│   └── labels/ # labels文件夹是用来存放图片对应的数据文件
└── val/ # 验证集
    ├── images/
    └── labels/

 注：images文件夹是图片文件，训练集和验证集的图片保持不一样，在未标注之前，训练集和验证集里面的labels文件夹是空的，待标注完成后会自动添加到labels文件夹中。

2.1 数据集的划分：

一般情况下对于数据量较小的数据集，train:val:test=8：1：1，由于我没有设置test测试集（一般情况下是需要设置的），我采用的比例是 train:val=8:2，即train文件夹160张，val文件夹40张。当然，更方便的是去找一段python代码对文件夹进行处理实现自动划分。

 

训练集标注

 

2.2、Open DIR：选择train下面的images

2.3、Change Save Dir：选择train下面的labels

2.4、开始标注，标注完毕进行2.5

 

验证集标注

 

2.5、Open DIR：选择val下面的images

2.6、Change Save Dir：选择val下面的labels

2.7、开始标注，标注完毕后退出labelimg

我的数据集是训练用于检测是否戴口罩的目标检测模型，原数据集包含3类标签（戴口罩、没戴口罩、有口罩但没戴好），但是由于只是用于测试，就偷个懒只设置了两个类别（戴口罩、没戴口罩），我的标注示例train/images下面160张，val/images下面40张，不要太少，同时，标注框尽量贴合和对准目标，也不要把框打得太大或太小，不然效果会大打折扣。

示例如图：

2.8 标注200张不是一个轻松的事情，特别是耐心差、脾气差就不要手动标注了（实话勿喷），可以试试自动标注工具，只是需要把标注的内容核对一遍，大大降低了难度。

2.9 接下来你会得到labels内容如下：

2.10 classes.txt文件里面实际上就是类别，我这里只有“口罩”，“无口罩”两类，是根据我打的标签自动生成的。

2.11 这下面的.txt文件实际上就是每张图片标注框的位置，名称是图片名称，不用管。

具体解释请看：

LabelImg标注的YOLO格式txt标签中心坐标和物体边界框长宽的转换https://blog.csdn.net/Keep_Trying_Go/article/details/128224748

 

到此为止，自己的数据集已经准备好了，注意把数据集copy到ultralytics文件夹下，里面还要新建一个yaml文件（具体步骤见下方3.3），接下来就是在YOLO11的框架上对自己的数据集进行训练：

三、模型训练

模型训练最好使用GPU（如果有英伟达显卡），配置教程如下：

      CUDA与CUDNN在Windows下的安装与配置（超级详细版）https://blog.csdn.net/YYDS_WV/article/details/137825313

如果配置好了CUDA，还需要在虚拟环境中下载Pytorch(gpu)，教程如下:

      全网最详细的安装pytorch GPU方法，一次安装成功！！包括安装失败后的处理方法！https://blog.csdn.net/qlkaicx/article/details/134577555

模型训练需要YOLO11源码，如果没有，可以通过我的网盘快速获取：

YOLO11源码 key=8888

3.1 在ultralytics下新建train.py：

3.2 先研究一下ultralytics/cfg/datasets目录下的coco8.yaml文件：

如图所示，结合官方文档的训练示例，训练所需要的.yaml文件实际上就是一个配置文件，用于指向数据集的位置及classes信息

3.3 把数据集放到ultralytics/datasets目录下，并且新建first_trian.yaml

# 指向训练集
train: E:\Others\YOLO11\ultralytics-main\ultralytics-main\ultralytics\datasets\train

# 指向验证集
val: E:\Others\YOLO11\ultralytics-main\ultralytics-main\ultralytics\datasets\val

# 指向测试集
test:

nc: 2  # 类别数
names: ['mask', 'nomask']  # 类别名称

3.4 给train.py添加代码：

有GPU尽量使用进行GPU训练，没有GPU设置device='cpu'

import multiprocessing
from ultralytics import YOLO

# 设置多进程启动方法为 'spawn'（适用于 Windows）
multiprocessing.set_start_method('spawn', force=True)

if __name__ == "__main__":
    # 加载模型权重
    model = YOLO("ultralytics/cfg/models/11/yolo11.yaml")

    # 开始训练
    model.train(
        # 指定 .yaml 配置文件
        data="ultralytics/datasets/first_trian.yaml",
        # 训练轮次
        epochs=50,
        batch=16,
        imgsz=640,
        # 保存训练结果路径
        project='runs/train',
        # 指定使用的设备（'0'代表第一张GPU，如果没有GPU使用'cpu'）
        device='0'
    )

3.5 常用参数：

参数	默认值	说明
model	None	用于训练的模型文件的路径。
data	None	数据集配置文件的路径（例如 coco8.yaml).
epochs	100	训练历元总数。
batch	16	批量大小，可调整为整数或自动模式。
imgsz	640	用于训练的目标图像大小。
device	None	用于训练的计算设备，如 cpu, 0, 0,1或 mps.
save	True	可保存训练检查点和最终模型权重。

 3.6 运行train.py开始训练

开始训练：

3.7 我们就得到了训练后的模型权重（weights），通常我们使用best.pt作为训练成功的模型，用于针对性的预测：

3.8 使用自己的模型进行预测（测试图片一定不能用标注、训练过的数据集内的图片！！！）：

这个时候可以看到，我们的模型训练得比较成功，起码有一定的泛化能力，对于没有训练过的图片也可以成功预测到目标，对于模型训练的数据，可以查看与weights同目录下的相关性能指标文件：

例如：

到这里，整个训练过程就已经结束了，请注意，具体文件的位置可以随心所欲，只要自己能找到就行，但是在使用时一定要写正确地址，尽量把需要用的文件如.yaml、datasets数据集放到项目里面，然后使用相对路径，在pycharm中按住CTRL，鼠标移到对应路径的代码中，是可以直接跳转的，如果不能跳转，就要反复确认地址是否正确了。

 

四、模型导出

将模型导出为ONNX可以实现跨框架兼容，支持在不同深度学习平台（如TensorFlow、ONNX Runtime）上运行，同时适用于多种硬件（如GPU、嵌入式设备）。ONNX优化推理速度，支持量化（FP16、INT8）降低计算成本，便于模型部署到云端、边缘和移动设备。此外，ONNX模型便于存储、调试和共享，是生产环境中轻量高效的标准格式。

这里参考了这篇文章：

YOLO11 实例分割 | 导出ONNX模型 | ONNX模型推理https://blog.csdn.net/qq_41204464/article/details/1429222234.1 导出为ONNX模型（best.pt的路径换成自己的）：

from ultralytics import YOLO
 
# 加载一个模型，路径为 YOLO 模型的 .pt 文件
model = YOLO("runs/train6/weights/best.pt")
 
# 导出模型，格式为 ONNX
model.export(format="onnx")

在同目录的文件夹下会生成一个新的best.onnx文件

4.2 如果你想自定义参数而不是使用默认参数：

 
from ultralytics import YOLO
 
# 加载一个模型，路径为 YOLO 模型的 .pt 文件
model = YOLO(r"runs/train/weights/best.pt")
 
# 导出模型，设置多种参数
model.export(
    format="onnx",      # 导出格式为 ONNX
    imgsz=(640, 640),   # 设置输入图像的尺寸
    keras=False,        # 不导出为 Keras 格式
    optimize=False,     # 不进行优化 False, 移动设备优化的参数，用于在导出为TorchScript 格式时进行模型优化
    half=False,         # 不启用 FP16 量化
    int8=False,         # 不启用 INT8 量化
    dynamic=False,      # 不启用动态输入尺寸
    simplify=True,      # 简化 ONNX 模型
    opset=None,         # 使用最新的 opset 版本
    workspace=4.0,      # 为 TensorRT 优化设置最大工作区大小（GiB）
    nms=False,          # 不添加 NMS（非极大值抑制）
    batch=1,            # 指定批处理大小
    device="cpu"        # 指定导出设备为CPU或GPU，对应参数为"cpu" , "0"
)

参数类型及说明：

model.export( )函数内各项参数：

1. format="onnx"：指定导出模型的格式为 onnx。
2. imgsz=(640, 640)：输入图像的尺寸设为 640x640。如果需要其他尺寸可以修改这个值。
3. keras=False：不导出为 Keras 格式的模型。
4. optimize=False：不应用 TorchScript 移动设备优化。
5. half=False：不启用 FP16（半精度）量化。
6. int8=False：不启用 INT8 量化。
7. dynamic=False：不启用动态输入尺寸。
8. simplify=True：简化模型以提升 ONNX 模型的性能。
9. opset=None：使用默认的 ONNX opset 版本，如果需要可以手动指定。
10. workspace=4.0：为 TensorRT 优化指定最大工作空间大小为 4 GiB。
11. nms=False：不为 CoreML 导出添加非极大值抑制（NMS）。
12. batch=1：设置批处理大小为 1。
13. device="cpu", 指定导出设备为CPU或GPU，对应参数为"cpu" , "0"

YOLO11不仅只支持导出为ONNX格式，下面是支持的所有导出的格式：

支持的导出格式	format参数值	生成的模型示例	model.export( )函数的参数
PyTorch	-	yolo11n.pt	-
TorchScript	torchscript	yolo11n.torchscript	imgsz, optimize, batch
ONNX	onnx	yolo11n.onnx	imgsz, half, dynamic, simplify, opset, batch
OpenVINO	openvino	yolo11n_openvino_model/	imgsz, half, int8, batch
TensorRT	engine	yolo11n.engine	imgsz, half, dynamic, simplify, workspace, int8, batch
CoreML	coreml	yolo11n.mlpackage	imgsz, half, int8, nms, batch
TF SavedModel	saved_model	yolo11n_saved_model/	imgsz, keras, int8, batch
TF GraphDef	pb	yolo11n.pb	imgsz, batch
TF Lite	tflite	yolo11n.tflite	imgsz, half, int8, batch
TF Edge TPU	edgetpu	yolo11n_edgetpu.tflite	imgsz
TF.js	tfjs	yolo11n_web_model/	imgsz, half, int8, batch
PaddlePaddle	paddle	yolo11n_paddle_model/	imgsz, batch
NCNN	ncnn	yolo11n_ncnn_model/	imgsz, half, batch

       到此为止，本文讲解的使用YOLO11在自己的数据集上进行简单的模型训练、预测与导出已经全部完成，关于预测部分并不详细，如果你想了解更多，可以参考我的另一篇文章链接附下。如果你有任何问题和需求可以通过私信联系我。

 

如果你想了解更多关于如何使用YOLO11模型进行预测，可以参考我的另一篇文章：

【YOLO11速通指南】本地快速部署及预测（目标检测+实例分割+姿态估计）https://blog.csdn.net/2301_78753314/article/details/143943167

如果你对YOLOv5的单目深度估计感兴趣，可以参考我的另一篇文章：

【YOLO简单测距】单目测距——基于YOLOv5的单目深度估计算法的实现https://blog.csdn.net/2301_78753314/article/details/140220033

如果你对YOLO11的安卓部署，可以参考我的另一篇文章：

【YOLO11安卓部署】10分钟快速高效的把YOLO11部署到安卓端https://blog.csdn.net/2301_78753314/article/details/143966676