YOLOv11来了，使用YOLOv11训练自己的数据集和推理(附YOLOv11网络结构图)

已于 2025-02-24 16:43:45 修改
阅读量10w+ 收藏 3k
点赞数 854
分类专栏： YOLOv8/v11改进 文章标签： YOLO 人工智能 python 深度学习 目标检测
于 2024-10-02 03:22:42 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/weixin_44779079/article/details/142676560
版权

文章目录

前言

YOLOv11 由 Ultralytics 团队在 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，使其成为各种目标检测和跟踪、实例分割、图像分类和姿态估计任务的绝佳选择。可以看出官网 YOLOv11 在COCO数据集上的性能表现，如下图所示：
在这里插入图片描述

一、YOLOv11代码下载地址

手把手视频安装可以看这个视频： 视频安装教程
在这里插入图片描述

官网的源码下载地址 ：官网源码

官网打不开的话，从我的网盘下载就行，链接: 我下载好的源码
提取码: eb9i

1.YOLOv11模型结构图

根据 yolov11.yaml 画出 yolo 整体结构图，如下图所示
在这里插入图片描述

二、数据集准备

1.数据集标注软件

数据集使用标注软件标注好，我这里推荐两个标注软件，一个是 labelimg，另外一个是 labelme，可以在python环境，使用 pip install labelimg 或者 pip install labelme 进行安装，看你选择哪个标注工具标注了，我使用 labelimg 标注工具

安装完成在终端输入命令启动标注软件
在这里插入图片描述
下面是软件界面
在这里插入图片描述
设置自动保存标注生成的标注文件
在这里插入图片描述

2.voc数据集格式转换

标注格式如果选择VOC格式，后面需要代码转换格式，如果选择yolo格式就不用转换，voc格式转换yolo格式代码如下：

import xml.etree.ElementTree as ET
import os, cv2
import numpy as np
from os import listdir
from os.path import join

classes = []

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


def convert_annotation(xmlpath, xmlname):
    with open(xmlpath, "r", encoding='utf-8') as in_file:
        txtname = xmlname[:-4] + '.txt'
        txtfile = os.path.join(txtpath, txtname)
        tree = ET.parse(in_file)
        root = tree.getroot()
        filename = root.find('filename')
        img = cv2.imdecode(np.fromfile('{}/{}.{}'.format(imgpath, xmlname[:-4], postfix), np.uint8), cv2.IMREAD_COLOR)
        h, w = img.shape[:2]
        res = []
        for obj in root.iter('object'):
            cls = obj.find('name').text
            if cls not in classes:
                classes.append(cls)
            cls_id = classes.index(cls)
            xmlbox = obj.find('bndbox')
            b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text),
                 float(xmlbox.find('ymax').text))
            bb = convert((w, h), b)
            res.append(str(cls_id) + " " + " ".join([str(a) for a in bb]))
        if len(res) != 0:
            with open(txtfile, 'w+') as f:
                f.write('\n'.join(res))


if __name__ == "__main__":
    postfix = 'png'    # 图像后缀
    imgpath = r'E:\A-毕业设计代做数据\helmet\test\images'    # 图像文件路径
    xmlpath = r'E:\A-毕业设计代做数据\helmet\test\annotations'   # xml文件文件路径
    txtpath = r'E:\A-毕业设计代做数据\helmet\test\labels'      # 生成的txt文件路径
    
    if not os.path.exists(txtpath):
        os.makedirs(txtpath, exist_ok=True)
    
    list = os.listdir(xmlpath)
    error_file_list = []
    for i in range(0, len(list)):
        try:
            path = os.path.join(xmlpath, list[i])
            if ('.xml' in path) or ('.XML' in path):
                convert_annotation(path, list[i])
                print(f'file {list[i]} convert success.')
            else:
                print(f'file {list[i]} is not xml format.')
        except Exception as e:
            print(f'file {list[i]} convert error.')
            print(f'error message:\n{e}')
            error_file_list.append(list[i])
    print(f'this file convert failure\n{error_file_list}')
    print(f'Dataset Classes:{classes}')

代码需要修改的地方如下：
1.postfix参数填图片的后缀，需要注意图片格式要统一，是png格式就写png，是jpg格式就写jpg
2.imgpath参数填图片所在的路径
3.xmlpath参数填标注文件的路径
4.txtpath参数填生成的yolo格式的文件
在这里插入图片描述

3.数据集划分

划分训练集和验证集代码如下：

import os, shutil
from sklearn.model_selection import train_test_split


val_size = 0.2
#test_size = 0.2
postfix = 'jpg'
imgpath = r'E:\A-毕业设计代做数据\datasets\images'
txtpath =  r'E:\A-毕业设计代做数据\datasets\labels'



output_train_img_folder =r'E:\A-毕业设计代做数据\datasets\dataset_kengwa/images/train'
output_val_img_folder =  r'E:\A-毕业设计代做数据\datasets\dataset_kengwa/images/val'
output_train_txt_folder =  r'E:\A-毕业设计代做数据\datasets\dataset_kengwa\labels/train'
output_val_txt_folder =  r'E:\A-毕业设计代做数据\datasets\dataset_kengwa\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
在这里插入图片描述
下面四个参数只需在自己电脑任意位置新建一个文件夹就行，用于存放生成的训练集和验证集，比如新建一个文件夹叫dataset_kengwa，后面的路径不用动，如下图左边的框出来的路径覆盖成你的就行
在这里插入图片描述
数据集有以下两种方式放置，都可以进行训练，常见的数据集放置是第一种，也有开源的数据集按照第二种方式放置的，我都遇见过，也能训练起来
在这里插入图片描述

4.修改yolo的训练配置文件

我们需要在项目下创建一个data.yaml的文件，文件名根据数据集名称取，我这里方便演示直接叫data.yaml，如下图所示
在这里插入图片描述
代码如下：

train: E:\Desktop\new-yolov9\yolotest\images\train  # train images (relative to 'path') 4 images
val: E:\Desktop\new-yolov9\yolotest\images\val  # val images (relative to 'path') 4 images

nc: 2

# class names
names: ['dog','cat']

三、YOLO环境配置教程

YOLOv11/YOLOv10/YOLOv9/YOLOv8/YOLOv7/YOLOv5 环境都是通用的，只需要安装一次就行

1.pytorch环境安装

基础环境配置参考教程链接：环境配置链接，如果已经配置好环境可以忽略此步骤

2.其他依赖安装

安装requirements.txt文件的环境，需要注释掉下面两行，前面的步骤已经安装了，不注释的话会覆盖前面的会安装最新版本的pytorch，所以注释掉

在这里插入图片描述
没有这个文件可以自己新建一个requirements.txt，然后把下面代码复制进去就好了
在这里插入图片描述

在这里插入图片描述

# Ultralytics requirements
# Example: pip install -r requirements.txt

# Base ----------------------------------------
matplotlib>=3.3.0
numpy==1.24.4 # pinned by Snyk to avoid a vulnerability
opencv-python>=4.6.0
pillow>=7.1.2
pyyaml>=5.3.1
requests>=2.23.0
scipy>=1.4.1
tqdm>=4.64.0

# Logging -------------------------------------
# tensorboard>=2.13.0
# dvclive>=2.12.0
# clearml
# comet

# Plotting ------------------------------------
pandas>=1.1.4
seaborn>=0.11.0

# Export --------------------------------------
# coremltools>=7.0  # CoreML export
# onnx>=1.12.0  # ONNX export
# onnxsim>=0.4.1  # ONNX simplifier
# nvidia-pyindex  # TensorRT export
# nvidia-tensorrt  # TensorRT export
# scikit-learn==0.19.2  # CoreML quantization
# tensorflow>=2.4.1  # TF exports (-cpu, -aarch64, -macos)
# tflite-support
# tensorflowjs>=3.9.0  # TF.js export
# openvino-dev>=2023.0  # OpenVINO export

# Extras --------------------------------------
psutil  # system utilization
py-cpuinfo  # display CPU info
thop>=0.1.1  # FLOPs computation
# ipython  # interactive notebook
# albumentations>=1.0.3  # training augmentations
# pycocotools>=2.0.6  # COCO mAP
# roboflow

四、YOLOv11训练

(1)在根目录新建一个python文件，取名为：train.py，如果之前看过我的文章，已经新建过就不用重新新建了
在这里插入图片描述

(2)把训练代码复制到train.py文件，如果之前看过我的文章，已经复制过了就不用重新复制了，只需修改参数就行
训练的代码如下：

# -*- coding: utf-8 -*-
"""
@Auth ： 挂科边缘
@File ：trian.py
@IDE ：PyCharm
@Motto:学习新思想，争做新青年
@Email ：179958974@qq.com
"""
import warnings
warnings.filterwarnings('ignore')
from ultralytics import YOLO

if __name__ == '__main__':
    # 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 = YOLO(model=r'D:\2-Python\1-YOLO\YOLOv11\ultralytics-8.3.2\ultralytics\cfg\models\11\yolo11.yaml')
    model.train(data=r'data.yaml',
                imgsz=640,
                epochs=50,
                batch=4,
                workers=0,
                device='',
                optimizer='SGD',
                close_mosaic=10,
                resume=False,
                project='runs/train',
                name='exp',
                single_cls=False,
                cache=False,
                )

注意注意注意：模型配置路径改成你自己的路径，还有数据集配置文件也修改成你自己的路径

在这里插入图片描述
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
  • cache参数：该参数代表是否缓存数据，设置为False表示不缓存。

注意注意注意：一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

我这里演示加载预训练权重，训练输出如下所示：
在这里插入图片描述

五、YOLOv11推理

（1）官网的预训练模型下载

在这里插入图片描述

进入官网的源码下载地址 ：官网模型下载地址，往下面拉，看到模型位置，YOLOv11 针对不同的场景和应用提供了 YOLOv11n、YOLOv11s 等不同大小的模型，具体看官网提供的，需要下载哪个，鼠标左键单击下载就行。
在这里插入图片描述

我的源码包已经下载好了模型了，如果需要其他权重自行下载就行

（2）在根目录新建一个python文件，取名为：detect.py
在这里插入图片描述
（3）把推理代码复制到detect.py文件
注意注意注意：模型路径改成你自己的路径，还有预测图像也改成你自己的路径
推理的代码如下：

# -*- coding: utf-8 -*-
"""
@Auth ： 挂科边缘
@File ：detect.py
@IDE ：PyCharm
@Motto:学习新思想，争做新青年
@Email ：179958974@qq.com
"""

from ultralytics import YOLO

if __name__ == '__main__':

    # Load a model
    model = YOLO(model=r'D:\2-Python\1-YOLO\YOLOv11\ultralytics-8.3.2\yolo11n-seg.pt')  
    model.predict(source=r'D:\2-Python\1-YOLO\YOLOv11\ultralytics-8.3.2\ultralytics\assets\bus.jpg',
                  save=True,
                  show=True,
                  )

推理代码的参数解释
1.model参数：该参数可以填入模型文件路径
2.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
3.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
4.show参数：该参数填入True，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

分割模型推理结果如下：
在这里插入图片描述
目标检测模型推理结果如下：
在这里插入图片描述

六、解决训练过程中断怎么继续上次训练

在训练过程不小心中断了，那怎么继续上次的训练了，这里先不慌，官网也的代码写得非常好，它有这个断点训练功能，那么 YOLOv8 v10 v11 处理的方法都是一模一样，接下来直接看图操作就行：
在这里插入图片描述

  • model参数：该参数填入上次中断的模型，为 last.pt

  • resume参数：该参数设置为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。

总结

YOLOv11训练自己数据集和推理到此结束，有问题可以留言，创作不易，请帮忙点个爱心呗，谢谢
在这里插入图片描述

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~
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
yolov8 和 yolov11的主要区别.docx
10-04
YOLOv8和YOLOv11是YOLO（You Only Look Once）系列中的两个版本，它们在目标检测和图像分割领域都有出色的表现。以下是它们之间的主要区别： 一、网络结构与特征提取能力 YOLOv8： 采用了较深的网络结构和更复杂的特征提取方法，以提高模型性能。 支持多尺度检测，能够检测不同大小的目标。 YOLOv11： 在YOLOv8的基础上进行了进一步的优化，引入了改进的骨干和颈部架构，增强了特征提取能力。 采用了C3K2模块替代了原先的C2和C3块，并新增了一个类似于自注意力的特征增强模块C2PSA，提高了物体检测的精确度和复杂任务的表现。 二、性能与准确性 YOLOv8： 在保持高检测速度的同时，进一步提高了检测精度。 能够直接从图像输入端到分类结果输出，简化了训练和部署过程。 YOLOv11： 在COCO数据集上实现了更高的均值平均精度（mAP），同时使用比YOLOv8m少22%的参数，实现了更高的计算效率。 推理速度比YOLOv10快约2%，为实时应用提供了更好的支持。 三、任务支持与应用场景 YOLOv8： 主要应用于目标检测和图像分割任务。 在自动驾驶、视频
轮船，船舶识别数据集 24648张原始图片，使用yolo v11格式标注，识别率可达99%
01-13
轮船，船舶识别数据集 24648张原始图片，使用yolo v11格式标注，识别率可达99%
保姆级--yolov11关键点检测，训练自己的数据集
最新发布
m0_53414416的博客
04-09 1393
yolo11训练自己的数据集，关键点检测。包含环境搭建、训练、预测推理等
挂科边缘(毕业版).docx
03-31
挂科边缘(毕业版)
YOLOv11实战指南及其应用案例解析
10-02
内容概要：本文详尽介绍了YOLOv11这一目标检测领域的前沿技术和其相关特性的概述。从模型的基本介绍入手逐步延伸到其具体的操作命令和实际应用场景演示。通过一系列具体的语句阐述了如何执行诸如安装ultralytics库，预测操作、定制化训练、模型导出等一系列核心任务。最终附上一段详细的示例程序，帮助读者更好地理解和掌握YOLOv11的各项功能。 适用人群：计算机视觉专业人士或研究学者、机器学习从业者以及其他对于深度学习框架感兴趣并希望在实践中运用的对象检测技术的应用人员。 使用场景及目标：适用于快速开发高效的物体识别系统，在不同的平台上执行高效的目标检测任务，或者在特定的需求情况下完成实例切割和其他的计算机视觉任务。 其他说明：本文不仅限于理论介绍，更强调实战运用。通过丰富的代码片段展示了YOLOv11的强大性能以及其多样化的功能，有助于加深读者对该框架的理解和技术熟练度。
超详细目标检测：YOLOv11(ultralytics)训练自己的数据集，新手小白也能学会训练模型，手把手教学一看就会
笑脸惹桃花的博客
10-31 4万+
对电脑小白也很简单的yolov11教程！ 训练自己的数据集分为4部分，先配置环境，再获取制作自己的数据集，然后修改配置训练，最后验证训练结果，附带可视化界面。YOLOv11为Ultralytics公司YOLO系列实时目标检测器的最新迭代版本，训练流程与YOLOv8基本一致，仅替换了新的网络结构与预训练权重，如果有其他目标检测的数据集可以直接拿来用，从第3训练模型开始看，新手小白0基础建议一步一步跟着来，哪里看不懂的或者遇到哪有问题可以发到评论区交流~
目标检测实战：使用YOLOv11训练自己的数据集
爱唱歌的卡卡西的博客
11-05 1万+
ultralytics发布了最新的作品YOLOv11，这一次YOLOv11的变化相对于ultralytics公司的上一代作品YOLOv8变化不是很大的（YOLOv9、YOLOv10均不是ultralytics公司作品）。本文记录使用YOLOv11训练自己的数据集的过程。以上就是今天要讲的内容，本文介绍了yolov11使用自己的数据集进行训练、预测，希望对大家使用yolov11有帮助，希望本文能够帮助到大家。
YOLOV8训练自己的数据集
yxk666的博客
09-05 8031
YOLOV8快速上手训练自己的数据集并进行预测
yolov11 （同v8）训练自己的数据集（附带多种小白放手代码）
qq_58467323的博客
10-26 1784
YOLO 训练自己的数据集（附带多种小白无忧代码）
YOLOv11 | 一文带你深入理解ultralytics最新作品yolov11的创新 | 训练、推理、验证、导出 （附网络结构图）
热门推荐
Snu77的博客
10-01 12万+
ultralytics发布了最新的作品YOLOv11，这一次YOLOv11的变化相对于ultralytics公司的上一代作品YOLOv8变化还是很大的（YOLOv9、YOLOv10均不是ultralytics公司作品），其中改变的位置涉及到C2f变为C3K2，在SPPF后面加了一层类似于注意力机制的C2PSA，还有一个变化大家从yaml文件是看不出来的就是它的检测头内部替换了两个DWConv，在损失函数方面就没有变化了还是采用的CIoU作为边界框回归损失，下面带大家深入理解一下ultralytics最新作品
手把手教你YOLOv8/YOLOv11分割训练自己数据集和推理，并教你使用Labelme工具标注数据(附分割网络结构图)
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
10-13 2458
YOLOv8-seg 和 YOLOv11-seg 都是一种高效实例分割算法，实例分割模型的输出是一组勾勒出图像中每个物体的遮罩或轮廓，以及每个物体的类标签和置信度分数。当你不仅需要知道物体在图像中的位置，还需要知道它们的具体形状时，实例分割就非常有用了，功能非常强大，可以应对各种视觉任务。 YOLOv11-seg 则在 YOLOv8-seg 基础上进一步魔改了模型架构，相对分割速度可能更快，其他指标性能有待测试。实例分割可以用于自动驾驶、医疗图像处理、智能农业监控等领域。
YOLOv10 | 手把手教你利用yolov10训练自己数据集（含环境搭建、参数解析 、数据集查找、模型训练、推理、导出）
Snu77的博客
05-26 3万+
本文内含YOLOv10网络结构图 + 各个创新模块手撕结构图 + 训练教程 + 推理教程 + 参数解析 + 环境搭建 + 数据集获取等一些有关YOLOv10的内容！目录一、前言二、整体网络结构图三、空间-通道分离下采样3.1 SCDown介绍3.2 C2fUIB介绍3.3 PSA介绍四、环境搭建五、数据集获取六、模型获取七、模型训练7.1 训练的三种方式7.1.1 方式一7.1.2 方式二（推荐）7.1.3 方式三八、模型验证/测试九、模型推理十、模型输出官方论文地址点击此处即可跳转。
YOLOv8超详细环境搭建以及模型训练（GPU版本）
2401_85556416的博客
08-21 1万+
YOLOv8超详细环境搭建，以及以NEU-DET数据集为为例进行模型的训练
YOLOv11实战垃圾分类
weixin_40280870的博客
11-14 3693
本文采用YOLOv11作为核心算法框架，结合PyQt5构建用户界面，使用Python3进行开发。YOLOv11以其高效的特征提取能力，在多个图像分类任务中展现出卓越性能。本研究针对4种垃圾数据集进行训练和优化，该数据集包含丰富的垃圾图像样本，为模型的准确性和泛化能力提供了有力保障。通过深度学习技术，模型能够自动提取垃圾的特征并进行分类识别。PyQt5界面设计简洁直观，便于用户操作和实时查看检测结果。本研究不仅提高了垃圾的分类自动化水平，具有重要的理论应用价值。
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 9万+
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。
YOLOv11训练自己的数据集
m0_70140421的博客
11-17 2250
使用YOLOv11训练自己的数据集（航拍红外光伏板）
使用YOLO11训练自己的数据集【下载模型】-【导入数据集】-【训练模型】-【评估模型】-【导出模型】
A1983Z的博客
09-30 1万+
使用YOLO11训练自己的数据集
YOLOv11来了，使用YOLOv11训练自己的数据集和推理(附YOLOv11网络结构图)-CSDN博客v9
03-25
<think>好的，用户想了解如何使用YOLOv11进行数据集训练与推理，并获取其网络结构图。首先，我需要确认YOLOv11是否存在，因为目前主流的版本是YOLOv5、v8和v9。可能用户有笔误，或者YOLOv11是某个社区变体。不过根据提供的引用内容，用户提到了YOLOv9的PGI和GELAN技术，所以可能用户对版本号有混淆。需要先澄清这一点。 接下来，假设YOLOv11确实存在，或者用户指的是YOLO的最新版本，我需要根据现有YOLO系列的通用步骤来回答。首先，数据集的准备是关键，用户之前可能看过关于YOLOv8的博客，所以可以引用参考中的Roboflow获取数据集的方法[^1]。需要提醒用户数据集格式应与YOLOv5相同，如引用[3]提到的[^3]。 然后是训练部分，YOLO的训练通常涉及修改配置文件，指定数据集路径等。例如在YOLOv8中，用户需要找到train.py的位置，这可能与v5不同，如引用[3]提到的路径问题。对于v11，可能需要类似的操作，或者查看官方文档是否有更新。 关于网络结构图，通常YOLO的官方仓库会提供结构图，或者使用模型导出工具如Netron来可视化.pt或.onnx文件。需要指导用户如何导出模型并使用这些工具。 推理部分，YOLO通常使用detect.py脚本，用户需要指定训练好的权重和输入数据。需要提醒用户注意路径和参数设置。 可能用户提到的YOLOv11在CSDN上有相关博客，但应建议用户优先查阅官方文档或GitHub仓库以确保准确性，因为社区版本可能各有差异。此外，用户可能在搜索时混淆了版本号，需要确认是否存在v11，或者是否可能是指v9或其他版本，并适当建议检查版本信息。 最后，生成相关问题时要覆盖数据集准备、训练步骤、结构图获取以及与其他版本的比较，帮助用户深入理解。</think>### 如何使用YOLOv11进行数据集训练与推理，并获取网络结构图？ #### 1. **数据集准备与格式要求** YOLOv11延续了YOLO系列对数据集格式的要求，需遵循与YOLOv5相同的格式。数据集应包含以下内容： - `images`文件夹：存放训练/验证/测试的图片 - `labels`文件夹：对应图片的标注文件（.txt格式） - `data.yaml`配置文件：定义类别名称、数据集路径等信息 示例`data.yaml`配置： ```yaml train: ../train/images val: ../val/images names: 0: cat 1: dog ``` 建议使用Roboflow等工具进行数据格式转换与增强[^1]。 --- #### 2. **训练流程详解** 假设YOLOv11沿用了类似v8的代码结构，训练步骤如下： 1. 克隆官方仓库： ```bash git clone https://github.com/ultralytics/ultralytics ``` 2. 定位训练脚本：根据YOLOv8的经验，训练入口可能位于`ultralytics/models/yolo/v11/detect/train.py`[^3] 3. 启动训练命令： ```bash python train.py --data data.yaml --cfg yolov11s.yaml --weights '' --batch 16 --epochs 100 ``` 关键参数说明： - `--img-size`: 输入图像尺寸 - `--batch`: 批次大小 - `--device`: 指定GPU（如`0`或`0,1`） --- #### 3. **网络结构图获取方法** 建议通过以下方式获取结构图： 1. **官方文档**：查看GitHub仓库的`models`目录下的结构描述文件 2. **Netron可视化**： - 导出模型为ONNX格式： ```python from ultralytics import YOLO model = YOLO("yolov11.pt") model.export(format="onnx") ``` - 使用Netron工具打开`.onnx`文件 3. **代码生成**：通过`torchsummary`库输出结构摘要： ```python from torchsummary import summary summary(model, (3, 640, 640)) ``` --- #### 4. **推理部署实践** 训练完成后进行推理： ```python from ultralytics import YOLO # 加载自定义模型 model = YOLO("runs/train/weights/best.pt") # 单张图片推理 results = model.predict("test.jpg", save=True) # 视频流推理 results = model.predict("input.mp4", stream=True) ``` 支持多种输出格式： - `--save-txt`：保存检测结果到文本文件 - `--save-conf`：保留置信度分数 - `--hide-labels`：隐藏标签显示 --- #### 5. **技术特性解析** 若YOLOv11延续了YOLOv9的改进（参考PGI和GELAN[^2]），可能包含： - **动态标签分配策略**：提升小目标检测能力 - **混合精度训练**：减少显存占用 - **跨阶段特征融合**：增强多尺度检测 ---
评论 185
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

挂科边缘

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