YoloV11训练自标注数据集和推理应用

一、YoloV11源码下载地址

官网的源码下载地址：官网源码

二、数据集准备

1、数据标注

这里准备自己的数据集进行标注，标注工具可以使用Labelme、Labelimg或者LabelStudio等，这边我使用的是Labelimg

使用如下命令打开软件

下面是软件的界面

软件tips：需要设置自动保存标注生成的标注文件

创建项目和如何进行标注可以不再进行赘述

2、数据集划分

划分验证集和训练集的代码如下：

import os, shutil
from sklearn.model_selection import train_test_split


val_size = 0.2
#test_size = 0.2
postfix = 'png'
imgpath = r'C:\Jiboyang\DeepLearningModel\DataSets\Pills\Images'
txtpath =  r'C:\Jiboyang\DeepLearningModel\DataSets\Pills\Labels'



output_train_img_folder =r'C:\Jiboyang\DeepLearningModel\DataSets\Pills\splited/images/train'
output_val_img_folder =  r'C:\Jiboyang\DeepLearningModel\DataSets\Pills\splited/images/val'
output_train_txt_folder =  r'C:\Jiboyang\DeepLearningModel\DataSets\Pills\splited\labels/train'
output_val_txt_folder =  r'C:\Jiboyang\DeepLearningModel\DataSets\Pills\splited\labels/val'

os.makedirs(output_train_img_folder, exist_ok=True)
os.makedirs(output_val_img_folder, exist_ok=True)
os.makedirs(output_train_txt_folder, exist_ok=True)
os.makedirs(output_val_txt_folder, exist_ok=True)


listdir = [i for i in os.listdir(txtpath) if 'txt' in i]
train, val = train_test_split(listdir, test_size=val_size, shuffle=True, random_state=0)

#todo：需要test放开

# train, test = train_test_split(listdir, test_size=test_size, shuffle=True, random_state=0)
# train, val = train_test_split(train, test_size=val_size, shuffle=True, random_state=0)

for i in train:
    img_source_path = os.path.join(imgpath, '{}.{}'.format(i[:-4], postfix))
    txt_source_path = os.path.join(txtpath, i)

    img_destination_path = os.path.join(output_train_img_folder, '{}.{}'.format(i[:-4], postfix))
    txt_destination_path = os.path.join(output_train_txt_folder, i)

    shutil.copy(img_source_path, img_destination_path)
    shutil.copy(txt_source_path, txt_destination_path)

for i in val:
    img_source_path = os.path.join(imgpath, '{}.{}'.format(i[:-4], postfix))
    txt_source_path = os.path.join(txtpath, i)

    img_destination_path = os.path.join(output_val_img_folder, '{}.{}'.format(i[:-4], postfix))
    txt_destination_path = os.path.join(output_val_txt_folder, i)

    shutil.copy(img_source_path, img_destination_path)
    shutil.copy(txt_source_path, txt_destination_path)


#
# for i in train:
#     shutil.copy('{}/{}.{}'.format(imgpath, i[:-4], postfix), r'E:\1-cheng\4-yolo-dataset-daizuo\multi-classify\bird-boat-horse-aeroplane-sheep\dataset20231219/images/train/{}.{}'.format(i[:-4], postfix))
#     shutil.copy('{}/{}'.format(txtpath, i), r'E:\1-cheng\4-yolo-dataset-daizuo\multi-classify\bird-boat-horse-aeroplane-sheep\dataset20231219/labels/train/{}'.format(i))
#
# for i in val:
#     shutil.copy('{}/{}.{}'.format(imgpath, i[:-4], postfix), r'E:\1-cheng\4-yolo-dataset-daizuo\multi-classify\bird-boat-horse-aeroplane-sheep\dataset20231219/images/val/{}.{}'.format(i[:-4], postfix))
#     shutil.copy('{}/{}'.format(txtpath, i), r'E:\1-cheng\4-yolo-dataset-daizuo\multi-classify\bird-boat-horse-aeroplane-sheep\dataset20231219/labels/val/{}'.format(i))

#todo:需要test则放开

# for i in test:
#     shutil.copy('{}/{}.{}'.format(imgpath, i[:-4], postfix), 'images/test/{}.{}'.format(i[:-4], postfix))
#     shutil.copy('{}/{}'.format(txtpath, i), 'labels/test/{}'.format(i))

需要修改的地方如下，主要是路径和图片格式：

以下是两种常见的数据集划分方式，常用的是第一种：

3、增加数据集的训练配置文件

这里我命名为pills.yaml，你可以随意更改，只要在后面配置路径的地方对应上就可以了

代码如下：

train: C:\Jiboyang\DeepLearningModel\DataSets\Pills\splited\images\train  # train images (relative to 'path') 4 images
val: C:\Jiboyang\DeepLearningModel\DataSets\Pills\splited\images\val  # val images (relative to 'path') 4 images

nc: 1

# class names
names: ['yellow_pill']

三、环境配置、训练和推理

1、环境安装

YoloV11/YoloV10/YoloV9/YoloV8/YoloV7/YoloV5 的环境都是通用的，
只需要安装一次就行

requirements.txt

certifi==2025.4.26
charset-normalizer==3.4.2
colorama==0.4.6
contourpy==1.3.0
cycler==0.12.1
filelock==3.18.0
fonttools==4.58.0
fsspec==2025.3.2
idna==3.10
importlib_resources==6.5.2
Jinja2==3.1.6
kiwisolver==1.4.7
MarkupSafe==3.0.2
matplotlib==3.9.4
mpmath==1.3.0
networkx==3.2.1
numpy==1.24.4
opencv-python==4.11.0.86
packaging==25.0
pandas==2.2.3
pillow==11.2.1
pip==25.1
psutil==7.0.0
py-cpuinfo==9.0.0
pyparsing==3.2.3
python-dateutil==2.9.0.post0
pytz==2025.2
PyYAML==6.0.2
requests==2.32.3
scipy==1.13.1
seaborn==0.13.2
setuptools==78.1.1
six==1.17.0
sympy==1.14.0
thop==0.1.1.post2209072238
torch==2.7.0+cu118
torchaudio==2.7.0+cu118
torchvision==0.22.0+cu118
tqdm==4.67.1
typing_extensions==4.13.2
tzdata==2025.2
urllib3==2.4.0
wheel==0.45.1
zipp==3.21.0

2、YoloV11训练

（1）在根目录新建train.py，代码如下

"""
@Auth  ：jjjiboyang
@File  ：test.py
@IDE   ：PyCharm
@Email ：jjjiboyang@gmail.com
"""
import warnings
warnings.filterwarnings('ignore')
from ultralytics import YOLO

if __name__ == '__main__':
    model = YOLO(model=r'C:\Jiboyang\DeepLearningModel\Yolov11\ultralytics\ultralytics\cfg\models\11\yolo11.yaml')
    model.load('yolo11n.pt') # 加载预训练权重,改进或者做对比实验时候不建议打开，因为用预训练模型整体精度没有很明显的提升
    model.train(data=r'pills.yaml',
                imgsz=640,
                epochs=50,
                batch=4,
                workers=0,
                device='cpu',
                optimizer='SGD',
                close_mosaic=10,
                resume=False,
                project='runs/train',
                name='exp',
                single_cls=False,
                cache=False,
                )

训练代码的参数解释:

• model参数:该参数填入模型配置文件的路径，改进的话建议不需要填预训练模型权重

• data参数:该参数可以填入训练数据集配置文件的路径

• imgsz参数:该参数代表输入图像的尺寸，指定为 640x640 像素

• epochs参数：该参数代表训练的轮数

• batch参数：该参数代表批处理大小，电脑显存越大，就设置越大，根据自己电脑性能设置。

• workers参数:该参数代表数据加载的工作线程数，出现显存爆了的话可以设置为0，默认是8。

• device参数:该参数代表用哪个显卡训练，留空表示自动选择可用的GPU或CPU

• optimizer参数:该参数代表优化器类型

• close_mosaic参数:该参数代表在多少个epoch后关闭 mosaic 数据增强

• resume参数:该参数代表是否从上一次中断的训练状态继续训练。设置为False表示从头开始新的训练。如果设置为True，则会加载上一次训练的模型权重和优化器状态，继续训练。这在训练被中断或在已有模型的基础上进行进一步训练时非常有用

• project参数:该参数代表项目文件夹，用于保存训练结果

• name参数:该参数代表命名保存的结果文件夹

• single cls参数:该参数代表是否将所有类别视为一个类别，设置为False表示保留原有类别该参数代表是否缓存数据，设置为False表示不缓存。。cache参数:

  Ps：般做科研改进工作时候可以不用预训练权重，因为用预训练模型整体精度很难提高

需要修改的参数如下：

（2）、如果在训练的过程中中断了训练，可以用如下方法继续开始上次中断的训练

把路径设置为last.pt的路径，然后设置resume为True

3、推理

（1）、新建detect.py

"""
@Auth  ：jjjiboyang
@File  ：test.py
@IDE   ：PyCharm
@Email ：jjjiboyang@gmail.com
"""
from ultralytics import YOLO

if __name__ == '__main__':

    # Load a model
    model = YOLO(model=r'C:\Jiboyang\DeepLearningModel\Yolov11\ultralytics\runs\train\exp\weights\best.pt')
    model.predict(source=r'C:\Jiboyang\DeepLearningModel\DataSets\Pills\splited\images\val\pill_bag_003.png',
                  save=True,
                  show=True,
                  )

推理代码的参数解释

• model参数：该参数可以填入模型文件路径
• source参数:该参数可以填入需要推理的图片或者视频路径，如果打开摄像头推理则填入0就行
• save参数:该参数填入True，代表把推理结果保存下来，默认是不保存的，所以一般都填入True
• show参数:该参数填入Tue，代表把推理结果以窗口形式显示出来，默认是显示的，这个参数根据自己需求打开就行，不显示你就填False就行

以下是图片的测试效果：

（2）、使用预训练好的模型进行推理

从官网下载预训练模型