Ultralytics YOLO V11 初体验—训练COCO数据集—全流程记录

已于 2024-10-10 10:16:02 修改
阅读量8.4k 收藏 83
点赞数 38
文章标签： YOLO 目标跟踪 人工智能
于 2024-10-09 23:29:21 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-NC-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/chrnhao/article/details/142748426
版权

Utralytics YOLO V11🚀

        之后做项目要用到YOLO，然后也是趁着这个机会捡一下YOLO的相关的知识，这篇博客记录一下，配置Utralytics建立一个训练YOLO的环境，然后使用官方提供的COCO.yaml文件进行自动下载和训练的完整过程，整个过程也是比较曲折，里面涉及到的细节有很多，最终是做出了一个可实现的版本。

Ultralytics是一家专注于开发先进计算机视觉模型的技术公司，特别是在目标检测和图像识别任务方面。它最为人知的是创建和维护了YOLO（You Only Look Once）系列模型，这些模型因其速度快、精度高而被广泛应用于实时目标检测。公司的模型，如YOLOv5和YOLOv8，旨在易于实现、高效并且在各种应用场景中具有很强的性能表现，包括安防系统和自动驾驶等领域。Ultralytics还提供工具、教程和开源代码，帮助工业和科研领域的用户更好地使用这些模型。
在这里插入图片描述

文章目录

1.新建Conda 虚拟环境

首先是要新建一个虚拟环境，10月份了，我之前用的都是3.10，然后我觉得python官方的最新的稳定版本应该是更新了，通过查看官网我发现，现在的最新的稳定版本是3.11了，所以的话这次打算安装了一个最新的稳定版本。
https://www.python.org/downloads/
在这里插入图片描述

  • 在Anaconda 命令提示窗中输入如下新建环境命令(这里由于我之前安装过其他3.11版本，所以没出进度条直接用的本地缓存进度)
conda create --name ultralytics python=3.11

在这里插入图片描述

  • 在命令提示行内输入python，可以看到安装的python版本，我们的命令安装的python版本为3.11.7。
    在这里插入图片描述

2.安装GPU pytroch

首先需要进入我们上一步建立好的虚拟环境

conda activate ultralytics

在这里插入图片描述

  • 然后win+R 打开系统命令窗口输入cmd（这是另外一个命令窗口）
    在这里插入图片描述
    输入下面的命令查看cuda版本（前提已经安好了GPU的各项驱动）
nvidia-smi

在这里插入图片描述

  • 我自己的CUDA版本是12.6，然后进入pytroch官网，去找安装pytroch的下载命令。https://pytorch.org/，首先Package这一行我们选Conda，因为我们用的的是Anaconda建立的虚拟环境，用conda命令安装会舒服些。然后在ompute Platform一行选一个自己能安装的版本，例如我的CUDA版本是12.6，然后我就选了12.4。
    在这里插入图片描述

然后把下面的下载命令复制下来，复制到之前的Conda的命令提示框中。

在这里插入图片描述
输入命令之后，按回车，出现如下内容。
在这里插入图片描述
拉到下面，然后输入y然后回车。
在这里插入图片描述
然后由于之前我在其他虚拟环境中下载过对应版本的pytroch，所以没出进度条，直接出现了done，表示下载完成。
在这里插入图片描述
然后，输入pip list 看到pytorch已经下载成功了。
在这里插入图片描述

3.安装Utralytics

然后就是安装Utralytics，这个也是很简单粗暴，直接按照官方提示 pip install 安装就行了，我自己配置了清华园下载能稍微快点。

pip install ultralytics

在这里插入图片描述
在这里插入图片描述
然后再输入一下pip list 就可以看到 pytroch 和 ultralytics 都已经被正确安装了。
在这里插入图片描述

4.下载YOLO V11 模型

进入到Ultralytics 的YOLO V11 的下载界面，然后点进去之后稍微下滑一下就能看到Performance Metrics然后需要什么版本点蓝色的版本名称完就可以下了。然后左侧是其他版本的YOLO版本的模型文件下载地址。（如果要从官网主页面进的话，就是先点上方选项卡的Models选项卡，然后点左侧的YOLO 11）
https://docs.ultralytics.com/models/yolo11/#supported-tasks-and-modes
在这里插入图片描述

在这里插入图片描述

5.下载COCO数据集

在Kaggle里下载就行了，27个G大概解压之后。
https://www.kaggle.com/datasets/awsaf49/coco-2017-dataset?resource=download
在这里插入图片描述

6.下载 COCO.yaml

https://docs.ultralytics.com/datasets/detect/coco/#usage
然后就是下载COCO，数据集的yaml文件。

COCO（Common Objects in Context）数据集是一个广泛使用的计算机视觉数据集，旨在支持对象检测、分割和图像标注等任务。它包含了超过33万张复杂的日常生活场景图片，覆盖了80类常见物体，每张图片中物体被标注在不同的上下文环境中，具有丰富的多样性。COCO数据集以其精细的标注和多种任务的支持而闻名，广泛用于训练和评估深度学习模型，尤其是在目标检测和图像语义分割领域。

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

7.搭建训练文件目录

  • 这块我折腾了一阵才整明白，首是新建一个项目，然后把coco2017数据集解压进来，然后把下载的coco.yaml也拖进去。
    然后在项目文件下下新建一个datasets文件下，然后datasets文件下下再建两个新的文件夹images和labels。
    在这里插入图片描述
    然后把coco2017中的 train2017和val2017粘到datasets/images里（这两个文件还挺大的，最好是在外部文件夹复制粘贴，不要在Pycharm内复制粘贴）
    在这里插入图片描述
    然后在labels下面也建两个空文件夹，一个是train2017，一个是val2017。

在这里插入图片描述

8.制作txt格式标签

在项目文件下下新建了一个make_label.py文件，然后需要用coco2017中annotation中的json文件解析成txt类型的标签。

在这里插入图片描述
把下面代码粘贴进去，然后训练集和验证集各运行一次，代码参考了一方热衷博主的博客，在此表示感谢。

import os
import json
from tqdm import tqdm
import argparse

# 生成训练集标签（换成自己的路径）
json_path = r'E:\YOLO_V11\coco2017\annotations\instances_train2017.json'
label_path = r'E:\YOLO_V11\datasets\labels\train2017'

# 生成验证集标签 （换成自己的路径）
# json_path = r'E:\YOLO_V11\coco2017\annotations\instances_val2017.json'
# label_path = r'E:\YOLO_V11\datasets\labels\val2017'


parser = argparse.ArgumentParser()
parser.add_argument('--json_path', default=json_path, type=str,
                    help="input: coco format(json)")
parser.add_argument('--save_path', default=label_path, type=str,
                    help="specify where to save the output dir of labels")
arg = parser.parse_args()


def convert(size, box):
    dw = 1. / (size[0])
    dh = 1. / (size[1])
    x = box[0] + box[2] / 2.0
    y = box[1] + box[3] / 2.0
    w = box[2]
    h = box[3]

    x = x * dw
    w = w * dw
    y = y * dh
    h = h * dh
    return (x, y, w, h)


if __name__ == '__main__':
    json_file = arg.json_path  # COCO Object Instance 类型的标注
    ana_txt_save_path = arg.save_path  # 保存的路径

    data = json.load(open(json_file, 'r'))
    if not os.path.exists(ana_txt_save_path):
        os.makedirs(ana_txt_save_path)

    id_map = {
   }
    for i, category in enumerate(data['categories']):
        id_map[category['id']] = i

    # 通过事先建表来降低时间复杂度
    max_id = 0
    for img in data['images']:
        max_id = max(max_id, img['id'])

    img_ann_dict = [[] for i in range(max_id + 1)]
    for i, ann in enumerate(data['annotations']):
        img_ann_dict[ann['image_id']].append(i)

    for img in tqdm(data['images']):
        filename = img["file_name"]
        img_width = img["width"]
        img_height = img["height"]
        img_id = img["id"]
        head, tail = os.path.splitext(filename)
        ana_txt_name = head + ".txt"
        f_txt = open(os.path.join(ana_txt_save_path, ana_txt_name), 'w')
        for ann_id in img_ann_dict[img_id]:
            ann = data['annotations'][ann_id]
            box = convert((img_width, img_height), ann["bbox"]</
最低0.47元/天 解锁文章
手把手教你使用YOLOv11训练自己数据集（含环境搭建 、数据集查找、模型训练）
tsg6698的博客
09-30 3万+
一、前言本文内含YOLOv11网络结构图 + 训练教程 + 推理教程 + 数据集获取等有关YOLOv10的内容！官方代码地址：https://github.com/ultralytics/ultralytics/tree/main/ultralytics/cfg/models/11三、环境搭建 项目环境如下： 解释器：Python：3.9.19 框 架：Pytorch：2.0.1 系 统：Win10 IDEA
YOLOv11来了，使用YOLOv11训练自己的数据集和推理(附YOLOv11网络结构图)
热门推荐
在职AI算法工程师，擅长计算机视觉，YOLO目标检测、分割等，擅长web、pyqt界面可视化，好内容持续更新中，来这里跟大家一起学习，共同进步
10-02 15万+
YOLOv11 由 Ultralytics 在 2024 年 9 月 30 日发布， 最新的 YOLOv11 模型在之前的 YOLO 版本引入了新功能和改进，以进一步提高性能和灵活性。YOLO11 在快速、准确且易于使用，使其成为各种对象检测和跟踪、实例分割、图像分类和姿态估计任务的绝佳选择。
【YOLOv11】训练和推理自己的数据集-coco8为例
m0_61879647的博客
01-22 296
1.配置虚拟环境和数据准备：官网下载文件、下载coco8 数据集这个可以运行官网自带的.sh文件获取，如果需要用自己打标签的数据集如labelimg 需要将他的文件转换为如下格式，这个网上可以找到脚本.结果best.pt保存到当前train_coco8.py 同一个文件runs/detect/train/yolov8-py310-lj是我的虚拟环境如下，anaconda的环境创建、安包等我将不再赘述。3.导入预训练模型yolov11.pt，使用自己的数据集训练。2.编写yolo数据集配置文件。
yolo11 训练coco128数据集，抽取部分类型，并整和自己的训练集
mlzRuby的博客
02-28 617
首先，你需要确保已经安装了 Python 环境（建议 Python 3.7 及以上版本），并安装 YOLOv8 相关依赖。
【YOLO】YOLOX训练COCO数据集
MangoloD的博客
08-17 9551
有小伙伴是训练coco数据集时，AP为0，实际上，我并没有遇到这个问题，我这里测试了下，是可以正常运行的，但有小伙伴问了，我这里就总结一下如何训练Coco数据集吧．．． 步骤如下 首先呢，保证Coco数据集格式正确Animals_Coco ├─annotations ├─train2017 └─val2017 在annotations 文件夹下包含两个重要的文件instances_train2017.json，instances_val2017.json 在train2017和val
YOLO-v11自定义数据集训练
u012077914的博客
09-30 5791
今天Ultralytics发布了他们最新的yolo系列：v11，赶紧来看看自己的数据集跑出来是否有涨点！！感觉yolo系列是不是出的太快了（爆肝），一年内就更新了三个大版本（8、10、11）。。。
YOLOv8-Detect训练CoCo数据集+自己的数据集
qq_54134410的博客
02-02 5503
至此，整个训练预测阶段完成。此过程同样可以在linux系统上进行，在数据准备过程中需要仔细，保证最后得到的数据准确，最好是用显卡进行训练。有问题评论区见！
yolox 训练自己的数据集 （COCO格式）
zxxRobot的博客
10-22 9945
准备工作 1. 准备自己的数据集 Animals_Coco ├─annotations ├─train2017 └─val2017 在annotations 文件夹下包含两个重要的文件instances_train2017.json，instances_val2017.json 在train2017和val2017 包含的是训练和验证的图片数据。 2. YOLOX环境搭建 下载 YOLOX，克隆不下来的话，也可以自己下载zip文件然后解压 。 cd ~/code git clone https://gith
手把手教你利用YOLOX训练自定义数据集（COCO Dataset）
Mickey的博客
05-29 3338
YOLOX 支持使用自定义数据集进行训练。为了在 YOLOX 上运行我们自己的数据集，我们需要遵循以下基本步骤
yolov8官方代码训练模型（coco数据集和voc数据集训练）+onnx模型预测
m0_63493883的博客
12-04 1万+
根据官方的解释，pip 的 ultralytics 库包含了 requirements.txt中的所有库。windows11 和 Ubuntu20.04（建议使用 Linux 系统）首先切换到自己建立的虚拟环境安装 pytorch。参照官网，直接使用以下语句即可导入项目所需要的库。train 和 val 的路径就这样写。2.3 yaml文件。
coco2017数据集--训练集的txt标注文件，适用于yolov5训练
09-11
此文件是使用coco2017的训练集的原json标注格式转化为xml文件标注格式再转化为txt标注格式的所有图片的标注，共118287个txt文件
yolo v11 pose 自己的数据集
01-03
为了适应姿态估计的需求，需准备标注有关键点位置的数据集。常见的格式包括COCO keypoints style等。 ### 修改配置文件 调整`yolov8n-pose.yaml`或其他适当配置文件中的参数设置，使其适合处理姿态估计任务所需的...
YOLOv11训练自己的数据集，从代码下载到实例测试 （含YOLOv11网络结构图）
Limiiiing的博客
09-30 2万+
在Windows10上配置CUDA环境教程2024年9月30日，YOLOv11是最新发布的计算机视觉模型。支持多种任务，包括目标检测、实例分割、图像分类、姿态估计、有向目标检测以及物体跟踪等，本文主要讲述其检测任务的模型搭建训练流程。以上就是YOLOv11训练自己数据集的全部过程啦，欢迎大家在评论区交流~
基于Ultralytics的RT-DETR改进思考
最新发布
2401_88440984的博客
03-12 885
基于Ultralytics的RT-DETR改进思考
YOLOX训练-COCO格式
嗯呢嗯呢的博客
09-28 2977
将MOT17数据集转为COCO格式。YOLOX接着上一次训练。使用tensorboard可视化。OSError: [WinError 1455]页面文件太小，无法完成操作
【计算机视觉】YOLO 入门：训练 COCO128 数据集
wzk4869的博客
08-29 1万+
【计算机视觉】YOLO 入门：训练 COCO128 数据集
目标检测：YOLOv11(Ultralytics)环境配置，适合0基础纯小白，超详细
笑脸惹桃花的博客
10-27 8万+
深度学习目标检测YOLOv11小白教程环境搭建，超级简单的教程，纯新手方便理解，一看就会。
Yolov5训练指南—CoCo格式数据集
weixin_44027006的博客
04-27 1万+
Yolov5训练指南—CoCo格式数据集1 准备工作2 将coco数据集转换为yolo数据集3 训练参数定义4 训练模型5 预测 1 准备工作 训练Yolo模型要准备的文件及文件格式如下： /trianing # 根目录 /datasets # 数据集目录（可以任意取名） /images /train /val /labels /train /val /yolov5 先创建一个training文件夹mkdir training/ 在training文件夹下使
评论 6
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

浩浩的科研笔记

这我为您答疑发送资源的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值