YOLOv11训练自己的数据集（从代码下载到实例测试）

已于 2024-09-30 15:17:22 修改
阅读量612 收藏 6
点赞数 18
分类专栏： 模型训练 YOLOv11改进专栏 文章标签： YOLO 目标检测 计算机视觉 深度学习
于 2024-09-30 13:44:14 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-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/qq_42591591/article/details/142650813
版权

文章目录

前言

提示：本文是YOLOv11训练自己数据集的记录教程，需要大家在本地已配置好CUDA,cuDNN等环境，没配置的小伙伴可以查看我的往期博客：在Windows10上配置CUDA环境教程

2024年9月30日，YOLOv11是Ultralytics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。

在这里插入图片描述

在这里插入图片描述

代码地址：https://github.com/ultralytics/ultralytics

在这里插入图片描述

一、YOLOv11模型结构图

二、环境搭建

在配置好CUDA环境，并且获取到YOLOv11源码后，建议新建一个虚拟环境专门用于YOLOv11模型的训练。将YOLOv11加载到环境后，安装剩余的包。在运行测试过程中，依次安装缺少的包

pip install ...

三、构建数据集

YOLOv11模型的训练需要原图像及对应的YOLO格式标签，还未制作标签的可以参考我这篇文章：LabelImg安装与使用教程。

我的原始数据存放在根目录的data文件夹（新建的）下，里面包含图像和标签。
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
标签内的格式如下：
在这里插入图片描述
具体格式为 class_id x y w h，分别代表物体类别，标记框中心点的横纵坐标(x, y)，标记框宽高的大小(w, h)，且都是归一化后的值，图片左上角为坐标原点。

将原本数据集按照8：1：1的比例划分成训练集、验证集和测试集三类，划分代码如下。

# 将图片和标注数据按比例切分为 训练集和测试集
import shutil
import random
import os
 
# 原始路径
image_original_path = "data/images/"
label_original_path = "data/labels/"
 
cur_path = os.getcwd()
# 训练集路径
train_image_path = os.path.join(cur_path, "datasets/images/train/")
train_label_path = os.path.join(cur_path, "datasets/labels/train/")
 
# 验证集路径
val_image_path = os.path.join(cur_path, "datasets/images/val/")
val_label_path = os.path.join(cur_path, "datasets/labels/val/")
 
# 测试集路径
test_image_path = os.path.join(cur_path, "datasets/images/test/")
test_label_path = os.path.join(cur_path, "datasets/labels/test/")
 
# 训练集目录
list_train = os.path.join(cur_path, "datasets/train.txt")
list_val = os.path.join(cur_path, "datasets/val.txt")
list_test = os.path.join(cur_path, "datasets/test.txt")
 
train_percent = 0.8
val_percent = 0.1
test_percent = 0.1
 
 
def del_file(path):
    for i in os.listdir(path):
        file_data = path + "\\" + i
        os.remove(file_data)
 
 
def mkdir():
    if not os.path.exists(train_image_path):
        os.makedirs(train_image_path)
    else:
        del_file(train_image_path)
    if not os.path.exists(train_label_path):
        os.makedirs(train_label_path)
    else:
        del_file(train_label_path)
 
    if not os.path.exists(val_image_path):
        os.makedirs(val_image_path)
    else:
        del_file(val_image_path)
    if not os.path.exists(val_label_path):
        os.makedirs(val_label_path)
    else:
        del_file(val_label_path)
 
    if not os.path.exists(test_image_path):
        os.makedirs(test_image_path)
    else:
        del_file(test_image_path)
    if not os.path.exists(test_label_path):
        os.makedirs(test_label_path)
    else:
        del_file(test_label_path)
 
 
def clearfile():
    if os.path.exists(list_train):
        os.remove(list_train)
    if os.path.exists(list_val):
        os.remove(list_val)
    if os.path.exists(list_test):
        os.remove(list_test)
 
 
def main():
    mkdir()
    clearfile()
 
    file_train = open(list_train, 'w')
    file_val = open(list_val, 'w')
    file_test = open(list_test, 'w')
 
    total_txt = os.listdir(label_original_path)
    num_txt = len(total_txt)
    list_all_txt = range(num_txt)
 
    num_train = int(num_txt * train_percent)
    num_val = int(num_txt * val_percent)
    num_test = num_txt - num_train - num_val
 
    train = random.sample(list_all_txt, num_train)
    # train从list_all_txt取出num_train个元素
    # 所以list_all_txt列表只剩下了这些元素
    val_test = [i for i in list_all_txt if not i in train]
    # 再从val_test取出num_val个元素，val_test剩下的元素就是test
    val = random.sample(val_test, num_val)
 
    print("训练集数目：{}, 验证集数目：{}, 测试集数目：{}".format(len(train), len(val), len(val_test) - len(val)))
    for i in list_all_txt:
        name = total_txt[i][:-4]
 
        srcImage = image_original_path + name + '.jpg'
        srcLabel = label_original_path + name + ".txt"
 
        if i in train:
            dst_train_Image = train_image_path + name + '.jpg'
            dst_train_Label = train_label_path + name + '.txt'
            shutil.copyfile(srcImage, dst_train_Image)
            shutil.copyfile(srcLabel, dst_train_Label)
            file_train.write(dst_train_Image + '\n')
        elif i in val:
            dst_val_Image = val_image_path + name + '.jpg'
            dst_val_Label = val_label_path + name + '.txt'
            shutil.copyfile(srcImage, dst_val_Image)
            shutil.copyfile(srcLabel, dst_val_Label)
            file_val.write(dst_val_Image + '\n')
        else:
            dst_test_Image = test_image_path + name + '.jpg'
            dst_test_Label = test_label_path + name + '.txt'
            shutil.copyfile(srcImage, dst_test_Image)
            shutil.copyfile(srcLabel, dst_test_Label)
            file_test.write(dst_test_Image + '\n')
 
    file_train.close()
    file_val.close()
    file_test.close()

 
if __name__ == "__main__":
    main()

划分完成后将会在datasets文件夹下生成划分好的文件，其中images为划分后的图像文件，里面包含用于train、val、test的图像，已经划分完成；labels文件夹中包含划分后的标签文件，已经划分完成，里面包含用于train、val、test的标签；train.tet、val.txt、test.txt中记录了各自的图像路径。

在这里插入图片描述

在这里插入图片描述

在训练过程中，也是主要使用这三个txt文件进行数据的索引。

四、修改配置文件

①数据集文件配置

数据集划分完成后，在根目录文件夹下新建data.yaml文件。用于指明数据集路径和类别，我这边只有一个类别，只留了一个，多类别的在name内加上类别名即可。data.yaml中的内容为：

path: ../datasets  # 数据集所在路径
train: train.txt  # 数据集路径下的train.txt
val: val.txt  # 数据集路径下的val.txt
test: test.txt  # 数据集路径下的test.txt

# Classes
names:
  0: wave

在这里插入图片描述

②模型文件配置

在ultralytics/cfg/models/v11文件夹下存放的是YOLOv11的各个版本的模型配置文件，检测的类别是coco数据的80类。在训练自己数据集的时候，只需要将其中的类别数修改成自己的大小。在根目录文件夹下新建yolov11.yaml文件，此处以ultralytics/cfg/models/v11文件夹中的yolov11.yaml文件中的模型为例，将其中的内容复制到根目录的yolov11.yaml文件中 ，并将nc: 1 # number of classes 修改类别数` 修改成自己的类别数，如下：

在这里插入图片描述

在这里插入图片描述

# Ultralytics YOLO 🚀, AGPL-3.0 license
# YOLO11 object detection model with P3-P5 outputs. For Usage examples see https://docs.ultralytics.com/tasks/detect

# Parameters
nc: 1 # number of classes
scales: # model compound scaling constants, i.e. 'model=yolo11n.yaml' will call yolo11.yaml with scale 'n'
  # [depth, width, max_channels]
  n: [0.50, 0.25, 1024] # summary: 319 layers, 2624080 parameters, 2624064 gradients, 6.6 GFLOPs
  s: [0.50, 0.50, 1024] # summary: 319 layers, 9458752 parameters, 9458736 gradients, 21.7 GFLOPs
  m: [0.50, 1.00, 512] # summary: 409 layers, 20114688 parameters, 20114672 gradients, 68.5 GFLOPs
  l: [1.00, 1.00, 512] # summary: 631 layers, 25372160 parameters, 25372144 gradients, 87.6 GFLOPs
  x: [1.00, 1.50, 512] # summary: 631 layers, 56966176 parameters, 56966160 gradients, 196.0 GFLOPs

# YOLO11n backbone
backbone:
  # [from, repeats, module, args]
  - [-1, 1, Conv, [64, 3, 2]] # 0-P1/2
  - [-1, 1, Conv, [128, 3, 2]] # 1-P2/4
  - [-1, 2, C3k2, [256, False, 0.25]]
  - [-1, 1, Conv, [256, 3, 2]] # 3-P3/8
  - [-1, 2, C3k2, [512, False, 0.25]]
  - [-1, 1, Conv, [512, 3, 2]] # 5-P4/16
  - [-1, 2, C3k2, [512, True]]
  - [-1, 1, Conv, [1024, 3, 2]] # 7-P5/32
  - [-1, 2, C3k2, [1024, True]]
  - [-1, 1, SPPF, [1024, 5]] # 9
  - [-1, 2, C2PSA, [1024]] # 10

# YOLO11n head
head:
  - [-1, 1, nn.Upsample, [None, 2, "nearest"]]
  - [[-1, 6], 1, Concat, [1]] # cat backbone P4
  - [-1, 2, C3k2, [512, False]] # 13

  - [-1, 1, nn.Upsample, [None, 2, "nearest"]]
  - [[-1, 4], 1, Concat, [1]] # cat backbone P3
  - [-1, 2, C3k2, [256, False]] # 16 (P3/8-small)

  - [-1, 1, Conv, [256, 3, 2]]
  - [[-1, 13], 1, Concat, [1]] # cat head P4
  - [-1, 2, C3k2, [512, False]] # 19 (P4/16-medium)

  - [-1, 1, Conv, [512, 3, 2]]
  - [[-1, 10], 1, Concat, [1]] # cat head P5
  - [-1, 2, C3k2, [1024, True]] # 22 (P5/32-large)

  - [[16, 19, 22], 1, Detect, [nc]] # Detect(P3, P4, P5)

修改完成后，模型文件就配置好啦。

③训练文件配置

YOLOv11的超参数配置在ultralytics/cfg文件夹下的default.yaml文件中

在这里插入图片描述

在模型训练中，比较重要的参数是model、data、epochs、batch、imgsz、device以及workers。

  • model表示训练的模型结构。

  • data是配置数据集文件的路径，用于指定自己的数据集yaml文件。

  • epochs指训练的轮次，默认是100次，只要模型能收敛即可。

  • batch是表示一次性将多少张图片放在一起训练，越大训练的越快，如果设置的太大会报OOM错误，我这边在default中设置16，表示一次训练16张图像。设置的大小为2的幂次，1为2的0次，16为2的4次。

  • imgsz表示送入训练的图像大小，会统一进行缩放。要求是32的整数倍，尽量和图像本身大小一致。

  • device指训练运行的设备。该参数指定了模型训练所使用的设备，例如使用 GPU 运行可以指定为device=0，或者使用多个 GPU 运行可以指定为 device=0,1,2,3，如果没有可用的 GPU，可以指定为 device=cpu 使用 CPU 进行训练。

  • workers是指数据装载时cpu所使用的线程数，默认为8，过高时会报错：[WinError 1455] 页面文件太小，无法完成操作，此时就只能将workers调成0了。

模型训练的相关基本参数就是这些啦，其余的参数可以等到后期训练完成进行调参时再详细了解。

五、模型训练和测试

YOLOv11在训练和测试过程中，具体的参数信息可在ultralytics/yolo/cfg/default.yaml路径下找到。

模型训练

在根目录新建train.py，输入以下代码：

from ultralytics import YOLO
 
if __name__ == '__main__':
    model = YOLO(r'yolov11m.yaml')  # 此处以 m 为例，只需写yolov11m即可定位到m模型
    model.train(data=r'data.yaml',
                imgsz=640,
                epochs=100,
                single_cls=True,  
                batch=16,
                workers=10,
                device='0',
                )

训练情况：

在这里插入图片描述

在这里插入图片描述

模型验证

在根目录新建val.py，输入以下代码：

import warnings
warnings.filterwarnings('ignore')
from ultralytics import YOLO
 
if __name__ == '__main__':
    model = YOLO('runs/train/exp/weights/best.pt')
    model.val(data='data.yaml',
                imgsz=640,
                batch=16,
                split='test',
                workers=10,
                device='0',
                )

在验证阶段，mode模式为验证，mode=val，模型使用训练完成的权重文件：runs/train/exp/weights/best.pt，best.pt就是训练完成后的最佳权重。

验证结果：

在这里插入图片描述

模型推理

在根目录新建detect.py，输入以下代码：

import warnings
warnings.filterwarnings('ignore')
from ultralytics import YOLO
 
if __name__ == '__main__':
    model = YOLO('runs/train/exp/weights/best.pt')
    model.predict(source='images',
                imgsz=640,
                device='0',
                )

在推理阶段，mode模式为预测，mode= predict，模型使用训练完成的权重文件：runs/train/exp/weights/best.pt，source表示需要预测的图像文件路径，images中存放了准备预测的图像。

总结

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~

Limiiiing
关注
专栏目录
YOLOv9训练自己的数据集（从代码下载到实例测试）
qq_42591591的博客
07-26 1420
在Windows10上配置CUDA环境教程YOLOv9网络于2024年2月21日发布，其通过广义高效层聚合网络（GELAN）、可编程梯度信息（PGI）和辅助可逆分支设计等改进点，使得其在目标检测领域取得了显著的性能提升。在MS COCO数据集上，YOLOv9的四种不同参数数量的模型（v9-T、v9-S、v9-M、v9-C、v9-E）均取得了较高的检测精度，其中最小的模型达到了38.3%的AP，而最大的模型则达到了55.6%的AP。论文摘要翻译。
语义分割：YOLOv9的分割模型训练自己的数据集（从代码下载到实例测试）
qq_42591591的博客
08-18 1014
在Windows10上配置CUDA环境教程YOLOv9网络于2024年2月21日发布，其通过广义高效层聚合网络（GELAN）、可编程梯度信息（PGI）和辅助可逆分支设计等改进点，使得其在目标检测领域取得了显著的性能提升。其中也提供了目标分割的网络结构，本文就来搭建并记录一下。以上就是YOLOv9的分割模型训练自己数据集的全部过程啦，欢迎大家在评论区交流~
YOLOv10训练自己的数据集（从代码下载到实例测试）
qq_42591591的博客
07-30 2692
在Windows10上配置CUDA环境教程YOLOv10是YOLO（You Only Look Once）系列的最新版本，由清华大学的研究人员在Ultralytics Python包的基础上开发完成，并于2024年5月发布。作为一种实时端到端目标检测器，YOLOv10在性能、效率和精度方面均取得了显著提升，是计算机视觉领域的一项重要进展。主要特点无NMS的一致双分配训练策略：YOLOv10引入了无NMS的一致双分配训练策略，结合了一对多和一对一分配策略的优势。
YOLOv5训练自己的数据集（从代码下载到实例测试）
qq_42591591的博客
08-07 1489
在Windows10上配置CUDA环境教程YOLOv5是在计算机视觉目标检测领域中具有重要影响力的算法模型，广泛应用于智能驾驶、安防监控、工业检测、机器人视觉等众多需要实时目标检测的场景中，源代码在如今也是一直在更新着。Mosaic数据增强：参考2019 年提出的cutmix数据增强方式，采用4张图片，进行随机缩放、随机裁剪、随机排布的方式拼接，大大丰富了检测数据集，特别是增加了很多小目标，使得网络具有更好的鲁棒性，并且在小批量情况下也能达到较好训练效果。
YOLOv8训练自己的数据集（从代码下载到实例测试）
qq_42591591的博客
07-29 1181
在Windows10上配置CUDA环境教程YOLOv8模型是由Ultralytics公司在2023年1月10日开源的，是基于YOLOv5的重大更新版本。网络架构主干网络（Backbone）：采用了一系列卷积和反卷积层来提取特征，同时也使用了残差连接和瓶颈结构来减小网络的大小和提高性能。YOLOv8中，C3模块被替换为C2f模块，实现了进一步的轻量化。
YOLOv7训练自己的数据集（从代码下载到实例测试）
qq_42591591的博客
08-05 1100
在Windows10上配置CUDA环境教程YOLOv7是YOLO系列目标检测模型的最新版本之一，由Chien-Yao Wang等人在2022年提出。它在YOLOv5的基础上进行了多项创新和改进，旨在提供更高的检测精度，同时保持较快的检测速度。其最主要的是E-ELAN结构，用于更有效地融合不同层次的特征图，可以自动调整不同特征的重要性，提高模型的鲁棒性和准确性。论文摘要翻译。
YOLOv6训练自己的数据集（从代码下载到实例测试）
qq_42591591的博客
08-05 1187
在Windows10上配置CUDA环境教程YOLOv6是美团视觉智能部研发的一款面向工业应用的目标检测框架，该框架在保持高检测精度的同时，兼顾了推理效率，是YOLO系列中的又一改进版本。主要特点Hardware-friendly的骨干网络设计YOLOv6采用了基于RepVGG style的可重参数化、更高效的骨干网络EfficientRep Backbone，以及Rep-PAN Neck，这些设计使得网络在推理时能够更有效地利用硬件资源，提高推理速度。更简洁高效的Decoupled Head。
yolov8训练自己的实例分割数据集
耶律大石的博客
07-24 785
参考：2、下载最新yolov8代码。
语义分割：YOLOv8的分割模型训练自己的数据集（从代码下载到实例测试）
qq_42591591的博客
08-17 1400
在Windows10上配置CUDA环境教程YOLOv8模型是由Ultralytics公司在2023年1月10日开源的，是基于YOLOv5的重大更新版本。在V8中也提供了目标分割的模型代码，为了方便使用，本文记录从代码下载到模型推理的全过程。以上就是YOLOv8训练自己数据集的全部过程啦，欢迎大家在评论区交流~
Yolov8分割训练自己的数据集记录
小俊俊的博客
08-30 660
注意这里应该是去只要修改一下文件名称就可以，将yolov8-seg.yaml改为yolov8n-seg.yaml，会自动选择。修改完yolov8n-seg.yaml和coco8-seg.yaml两个配置文件后，在代码中设置绝对路径，直接使用这两个配置文件进行训练。yolov8n-seg.yaml文件原件在：ultralytics\ultralytics\cfg\models\v8下。将路径和类别修改为自己的。可以看到这里需要yolov8n-seg.yaml和coco8-seg.yaml两个配置文件。
YOLOv9-使用YOLOv9训练自己的数据集-目标检测算法训练-优质算法项目实战.zip
03-15
本项目实战旨在指导用户如何使用YOLOv9来训练自己的数据集，以实现特定场景下的目标检测任务。在计算机视觉领域，目标检测是识别图像中不同对象并定位它们的关键技术，广泛应用于自动驾驶、监控系统、图像分析等多个...
Yolov8基本介绍+训练自己数据集
04-16
通过以上步骤，可以在Ubuntu 22.04上成功搭建YOLOv8的开发环境，并对自定义数据集进行实例分割训练。这不仅有助于深入理解YOLOv8的工作原理，还能让开发者针对特定应用定制模型，实现更高效的检测和分割效果。
皮肤病检测-目标检测数据集（包括VOC格式、YOLO格式）
DL_data_set的博客
09-25 1080
皮肤病检测数据集，目标检测，yolo，voc，复杂背景
【YOLO目标检测二维码数据集】共3112张、已标注txt格式、有训练好的yolov5的模型
最新发布
LINBONB的博客
09-29 223
标注数量(txt文件个数)：3112。训练好的yolov5检测模型。标注类别名称：qrcode。数据集格式：YOLO格式。
肺结节检测-目标检测数据集（包括VOC格式、YOLO格式）
DL_data_set的博客
09-24 918
肺结节检测数据集，目标检测，yolo，voc，复杂背景
yolo自动化项目实例解析（六）自建UI（主窗口、预览窗口）
默子昂
09-26 896
1、新建项目-窗口部件--QDockWidget （483X565）2、添加两个label 大小480 X 270 ，设置样式表3、添加按钮 修改按钮文本 + -#寻路标签背景颜色为黑色#标签背景颜色为灰色这里图里搞错了，yolo那个label应该设置为2、组件名称修改DockWidgetbt_jiabt_jianlb_xunlulb_yolov# 无参数信号，可能用于触发显示某个路径或轨迹的操作# 无参数信号，可能与YOLOv模型有关，用于触发显示模型输出或其他相关操作。
基于yolov5滑块识别破解（二）
qq_65960840的博客
09-25 530
在上一篇文章中我们已经完成了yolov5的部署和训练，接下来我们将对源码进行改动，来实现滑块的自动滑动破解。
YOLOX预测图片是无法保存
m0_53291740的博客
09-24 583
预测文件如下demo.py。
YOLOv8训练中常见问题汇总
m0_57442556的博客
09-24 421
YOLOv8训练中常见问题汇总
yolov6训练自己的数据集
07-28
YOLOv6是一个目标检测算法，可以用于训练自己的数据集。首先，你需要准备数据集，并将其转换为YOLO格式。你可以参考\[2\]中的链接，了解如何准备YOLO格式的数据集。接下来，你可以按照\[3\]中的教程，手把手地调试YOLOv6，复现运行COCO2017数据集，并训练自己的数据集。请注意，由于该项目刚发布，可能会有一些BUG，所以调试过程可能不会很顺利。但是，\[3\]中也提供了一些常见问题和解决方法，可以帮助你解决一些可能遇到的问题。希望这些信息对你有帮助！ #### 引用[.reference_title] - *1* *2* *3* [【全网最详细yolov6】yoloV6调试记录（含训练自己的数据集及常见报错及解决方法）--持续更新ing](https://blog.csdn.net/m0_46611008/article/details/125491850)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insert_down1,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]
评论
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

Limiiiing

你的鼓励将是我创作的最大动力

¥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