【YOLOv11训练、推理】手把手教你玩转YOLOv11模型（环境配置-模型训练、推理），轻松入门目标检测领域！

弗兰随风小欢

已于 2025-02-13 10:33:33 修改

阅读量2.8k

点赞数 27

分类专栏：目标检测实验系列文章标签：深度学习 YOLO YOLOv11 目标检测人工智能计算机视觉

于 2025-02-12 17:43:43 首次发布

本文链接：https://blog.csdn.net/qq_32575047/article/details/145461533

版权

目标检测实验系列专栏收录该内容

23 篇文章

订阅专栏

1. 文章主要内容

本文主要涉及YOLOv11目标检测模型的训练以及推理。YOLOv11模型是ultralytics的官方最新版本，新的模型更加容易发论文。通过本篇文章，可以简单、快速上手YOLOv11模型，先人一步。

2. 相关说明（部署需要的工作）

第一：YOLOv11的官方源代码链接：YOLOv11模型源码，打开github对应的官网，在绿色Code按钮上通过Download ZIP将其下载到本地，当然你也可以通过git clone直接拉取，前提是有相关的配置环境，博主这里使用的是下载到本地。
第二：然后，将github对应的官网页面往下面拉，看到一个预训练的表格，这里是YOLOv11不同大小版本对应的预训练权重，一般我们使用最多的权重是YOLOv11n.pt，也是最小的模型权重，如下图所示，点击即可下载到本地。
在这里插入图片描述
第三：博主这里使用的是Linux发行版本Ubuntu系统作为运行环境，工具使用的是Pycharm，这里直接通过Pycharm的SSH将本地的YOLOv11连接远程服务器Ubuntu，这样本地就能自动上传到服务器的对应位置。如果不知道如何通过Pycharm连接远程环境的，可以看我之前写的一篇详细博客，非常简单易懂，而且讨论热度高，有任何问题都可以评论区交流，基本上每天都会看。博客地址：Pycharm通过SSH远程同步项目到服务器。

第四：当你跟着上面博客走的时候，肯定已经搭建好相关的conda环境，这个时候需要再安装ultralytics，只需要执行一行代码：在项目的根目录上执行pip install ultralytics即可。另外如果报No module ultralytics 相关错误，请执行 pip install -e .这行编译代码即可解决问题。如果还缺什么相关包，请根据相关缺少包的信息，对应的进行pip install 安装即可。

3. YOLOv11检测模型训练、推理

这一块分为两个部分，第一块是启动运行部分，也就是训练部分。第二块是模型的推理过程，也就是通过训练好生成的权重，输入想检测的图片进行预测）。

3.1 模型训练（运行）

根据上面流程走下来，相关环境已经搭建好。这时候我们打开Pycharm的软件，这里我将权重文件放在了项目的根目录。
在这里插入图片描述
然后我自己新建了一个train.py文件，这个文件是用来启动、训练YOLOv11检测模型，源码如下所示。需要解释的是，yolov11.yaml即为YOLOv11模型的网络结构配置，默认走的是YOLOv11n的模型。另外load函数中的是权重文件，data则代表我们要训练数据集的配置文件路径。如第二幅图所示，names则代表每个类别，train、val和test则分别代码数据集存放在服务器中的路径，需要特别注意，数据集得提前存放到服务器对应的位置（自定义位置即可）

import warnings

warnings.filterwarnings('ignore')
from ultralytics import YOLO
from ultralytics import RTDETR

if __name__ == '__main__':

    # 加载模型
    model = YOLO('ultralytics/cfg/models/11/yolo11.yaml').load(
        'yolov11n.pt')  # 从YAML构建并转移权重

    if __name__ == '__main__':
        # 训练模型
        results = model.train(data='ultralytics/cfg/datasets/VisDrone.yaml', epochs=120, batch=16, device=[0, 1])

在这里插入图片描述

我们点击运行train.py文件左边的绿色三角形按钮即可运行YOLOv11，运行成功的示例图如下：
在这里插入图片描述

3.2 模型推理(预测)

模型推理即为模型预测，也就是调用predict方法，让我们训练好的模型去预测一张或者几十张图片，让其识别出图片中的目标。这里博主给出了自己写的一个predict.py文件，存放于项目的根目录中。代码如下所示：

from ultralytics import YOLO
import cv2

if __name__ == '__main__':
    model_path = "/home/project/ultralytics-main/runs/detect/train/weights/best.pt"
    detect_img_path = "/home/project/ultralytics-main/ultralytics/assets"

    model = YOLO(model=model_path)
    results = model.predict(source=detect_img_path, save=True, show=False)

    for result in results:
        cv2.imshow('Prediction', result.plot())
        if cv2.waitKey(0) & 0xFF == ord('q'):
            break

    cv2.destroyAllWindows()

代码中有几个要解释的点，首先从整体来说明代码的功能：
整体含义： 将要推理的图片放入到已经训练好的模型中进行预测，运行代码后模型会产生带有标注框的图片，在键盘上按任意键(除掉q键)就可以查看下一张预测的图片，如果按了q键，则退出可视化页面，模型预测的图片保存路径一般是在runs/predict下面。
model_path： 模型训练好的权重，这里我们选择的是best.pt
detect_img_path ： 想要推理的图片路径，这里我选择的是文件夹，也就是预测assest文件夹下的所有图片，当然也可以精确到每张图片，只需要将路径定位到某张图片即可。