YOLO-v11自定义数据集训练

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

---

前言

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！！

---

一、有哪些新东西？

YOLO11 相对于 YOOLv8 的主要更新和改进包括以下几个方面：

1. 增强的特征提取：YOLO11 提供了更强大的特征提取能力，能够捕捉图像中更精细的细节，即使在具有挑战性的场景下也能表现得更加精准。

2. 更高的准确性与更低的参数量：YOLO11m 在 COCO 数据集上实现了比 YOLOv8m 更高的平均精度（mAP），同时使用的参数量减少了 22%。这意味着 YOLO11 能够以更少的计算资源提供更准确的结果。

3. 更快的处理速度：相较于 YOLOv10，YOLO11 的推理时间大约快了 2%，这使得它非常适合实时应用。

4. 优化的训练过程：YOLO11 对数据增强管道进行了改进，从而简化了模型适应不同任务的过程，无论是小规模项目还是大规模应用都能从中受益。

5. 支持更多计算机视觉任务：除了对象检测，YOLO11 还增强了对实例分割、图像分类、姿态估计、定向对象检测（OBB）以及对象跟踪等任务的支持，使其成为一个多功能的工具，适用于从自动驾驶到医疗成像等各种应用场景。

6. 灵活性与效率：YOLO11 在保持高效的同时，还能够部署在云端和边缘设备上，提供了跨不同环境的灵活性。

总结来说，YOLO11 不仅提升了性能，而且变得更加轻量化和灵活，为开发者和研究人员带来了显著的优势。这些进步让 YOLO11 成为了一个非常有竞争力的选择，尤其适合那些需要高精度和实时响应的应用场景。
yolov11博客原文

二、如何从零开始训练？

1.从github上clone下来

从github的库上使用git clone下来，如果已经clone了yolov8的库也可以直接更新，因为只是更新了ultralytics。本质上是同一个项目。
yolov11库地址

# 如果下载慢，可以使用魔法并开启tun模式，或者手动配置git临时proxy
# git config --global http.proxy http://127.0.0.1:7890
# git config --global https.proxy https://127.0.0.1：7890

git clone https://github.com/ultralytics/ultralytics.git

2.使用anaconda安装依赖库

先新建虚拟python环境并安装依赖库：

conda create -n yolov8 --python==3.8
conda activate yolov8
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
pip install ultralytics
pip install -a requirements.txt
# 如果下不动，可以配置以下proxy
# pip install xxxxxx --proxy="127.0.0.1:7890"

3.建立一个训练任务

先在项目根目录下建立文件夹：“myproj”，然后进入文件夹新建：“dataset”用于存放训练集和验证集。最后拷贝模型配置文件yaml和数据集配置文件yaml，最后写入训练代码。
文件树

--ultralytics
	|--myproj
	|	|--dataset
	|	|	|--train
	|	|	|	|--images
	|	|	|	|--labels
	|	|	|--val
	|	|	|	|--images
	|	|	|	|--labels
	|	|	|--data.yaml
	|	|	|--yolo11.yaml
	|	|--train.py

yolo11.yaml

# 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: 9 # 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)

数据集配置：data.yaml

path: myproj\dataset
train: train\images
val: val\images

names:
  0: class1
  1: class2
  2: class3
  3: class4
  4: class5
  5: class6
  6: class7
  7: class8
  8: class9

注意这类我们分了几类，上面模型的nc就设置为多少。
训练代码

import warnings

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

if __name__ == '__main__':
    model = YOLO(r'.\myProj\dataset\yolo11.yaml')
    model.train(data=r'.\myProj\dataset\data.yaml',
                cache=False,
                imgsz=640,
                epochs=100,
                single_cls=False,
                batch=8,
                close_mosaic=10,
                workers=0,
                device='0',
                optimizer='SGD',
                amp=True,
                project='runs/train',
                name='exp',
                )

---

三、 对比yolov8的效果对比

还在训练中，后补

总结

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）。。。