使用ultralytics的yolo11训练自定义数据集的图像分类模型+预测+导出onnnx模型+trtexec转engine模型

已于 2025-04-25 17:01:40 修改
阅读量305 收藏
点赞数 2
分类专栏： CV计算机视觉 文章标签： 图像分类 模型部署
于 2025-04-23 12:20:42 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_45037357/article/details/147144187
版权

先说结论

yolo12太新，先不要用，而是用yolo11训练和导出。

模型训练

  • 环境创建
conda create -n  ultralytics-clas-yolo11 python==3.10
  • 环境激活
conda activate ultralytics-clas-yolo11
  • 安装环境
pip install ultralytics
  • 进入到文件夹中
cd /home/sss/桌面/Projects/ultralytics-clas
  • 克隆仓库
git clone https://github.com/ultralytics/ultralytics.git
  • 整理数据格式为：
data-train/  
|  
|-- train/  
|   |-- airplane/  
|   |   |-- 10008_airplane.png  
|   |   |-- 10009_airplane.png  
|   |   |-- ...  
|   |  
|   |-- bird/  
|   |   |-- 10014_bird.png  
|   |   |-- 10015_bird.png  
|   |   |-- ...  
|   |  
|   |-- ...  
|  
|-- test/  
|   |-- airplane/  
|   |   |-- 10_airplane.png  
|   |   |-- 11_airplane.png  
|   |   |-- ...  
|   | 
|   |-- bird/  
|   |   |-- 1000_bird.png  
|   |   |-- 1001_bird.png  
|   |   |-- ...  
|   |  
|   |-- ...  
|  
|-- val/ (可选)  
|   |-- airplane
最低0.47元/天 解锁文章
ultralytics yolo图像分类训练案例；pytorch自有数据集图像分类案例
weixin_42357472的博客
12-05 1706
参考：https://docs.ultralytics.com/tasks/classify/#val。预测结果：/mnt/d***y/runs/classify/predict2/下。1、自有数据集主要是dataset和dataloader构建。优点：使用方便，训练过程评估指标可以方便查看。1）使用pytorch框架自带的预训练。缺点：自带模型少，可选择自定义小。2、模型输入输出维度定义。
3.2 使用 Ultralytics YOLO 进行模型训练
tang7mj的博客
10-10 1538
这一部分在我看来就是他们公司推销自己了。
YOLOv8 ultralytics使用笔记----labelme标记数据，训练模型、追踪目标。
qq_48050838的博客
12-12 1万+
Ultralytics是一个Python库，它是为执行高级计算机视觉任务而创建的，如对象检测、实例分割、图像分类等。Ultralytics为YOLO模型发布了一个全新的存储库，它被构建为用于机器视觉统一框架。这里先利用，并激活。
目标检测：yolov8(ultralytics)训练自己的数据集，新手小白也能学会训练模型，一看就会
笑脸惹桃花的博客
04-09 4万+
很简单小白也可以轻松看懂并实现的yolov8教程！ 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。yolov8训练起来较为简单，如果有其他目标检测的数据集理论上可以直接拿来用，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评论区交流或者私信问~
如何使用Ultralytics训练自己的yolo5 yolo8 yolo10 yolo11 yolo12等目标检测模型
qq_42681787的博客
01-17 1万+
Ultralytics正在以惊人的速度吸收优秀的CV算法，之前Ultralytics定位于YOLO8，但逐渐地扩展到支持其他版本的YOLO，最新版本的ultralytics全面支持yolo5yolo7yolo8yolo9yolo10yolo11。本文介绍如何用Ultralytics训练自己的yolo5yolo8yolo9yolo10yolo11模型，我们开门见山，直接步入正题。
ultralytics框架讲解
图灵追幕者博客录
06-12 8086
Ultralytics是一个开源的计算机视觉和深度学习框架，旨在简化视觉模型的过程。该框架提供了一系列流行的视觉模型，包括YOLOv5、YOLOv4、YOLOv3、YOLOv3-tiny、YOLOv5-tiny、EfficientDet、PAN、PP-YOLO等，并提供了训练、评估和推理的工具和实用程序。如果在本机的python环境环境中安装了该框架，那么在"
Yolov8训练自己的数据集合（最新实验数据）
陶陶name
07-30 6179
使用Yolov8训练自定义数据集，详细数据见博文，希望可以帮助到你
YOLOv8 Ultralytics：使用Ultralytics框架进行SAM图像分割
FriendshipTang的博客
01-14 4218
Python、PyTorch、YOLOv8、Ultralytics、SAM、图像分割
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 3万+
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~
YOLOv11入门到入土使用教程(含结构图)
深度学习炼丹师，偶尔分享炼丹技术!
10-23 4万+
YOLOv11是公司在之前的YOLO版本上推出的最新一代实时目标检测器，支持目标检测、追踪、实力分割、图像分类和姿态估计等任务。
yolov5篇---官方ultralytics / yolov5代码复现，训练自己的数据集
心惠天意
08-31 1万+
yolov5篇---官方ultralytics / yolov5代码复现，训练自己的数据集
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 9996
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。
超详解|yoloV8训练自己的数据集|训练|测试|部署
AI小生~小陶的博客
05-07 6687
使用yolov8训练自己的数据集，从数据集制作、yoloV8超参配置文件、导出onnx，openvino部署
使用YOLOv8做目标检测、实例分割和图像分类
Color Space的博客
02-07 3万+
本文主要介绍YOLOv8及使用它做目标检测、实例分割和图像分类演示，仅供参考。
使用YOLOv5进行图像分类
qq_53229073的博客
06-24 1万+
YOLO即You Only Look Once，YOLOv5最初是著名的目标检测算法，但是从2022年8月更新的YOLOv5 v6.2版本开始支持分类功能，分类用到的代码主要在classify文件夹下。 YOLOv5代码下载地址https://github.com/ultralytics/yolov5，直接全部下载下来，不需要修改代码配置，上传到Kaggle中. 当然也可以直接在Kaggle中使用命令行下载代码。先初始化，再clone 项目 下面是官方文档给出的YOLOv5分类方法和其它几种分类方法的准确
YOLOv8训练自己的数据集（从代码下载到实例测试）
Limiiiing的博客
07-29 5082
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。
再次认识ultralytics项目（大目标检测、小目标检测、yolov8-ghost、旋转目标检测、自动标注）
a486259的博客
01-07 7872
是一款前沿、最先进（SOTA）的模型，基于先前 YOLO 版本的成功，引入了新功能和改进，进一步提升性能和灵活性。YOLOv8 设计快速、准确且易于使用，使其成为各种物体检测与跟踪、实例分割、图像分类和姿态估计任务的绝佳选择。随着其官方团队对ultralytics项目的不断完善，其所支持的功能在不断扩展，为此重新对ultralytics项目进行深入分析。
YOLOv8 Ultralytics：最先进的 YOLO 模型——简介+实战教程
热门推荐
小白不白
02-03 4万+
利用以前的 YOLO 版本，，同时为训练模型提供统一框架，以执行在撰写本文时，许多功能尚未添加到 Ultralytics YOLOv8 存储库中。这包括训练模型的完整导出功能集。此外，Ultralytics 将在 Arxiv 上发布一篇论文，将 YOLOv8 与其他最先进的视觉模型进行比较。
pytorch下 ultralytics yolov5 自定义数据集训练调试简记
tingwhere的博客
04-08 1315
0、起源 来自两个blog的大神 最初基础（有请大神1号）： https://blog.csdn.net/weixin_45033788/article/details/115148152 这里本来是基于yolov3的，但在我的机器上怎么都调不通，但基于此弄清楚了yaml和cfg的区别，其实yaml比cfg要简单很多，许多参数直接在一个地方调整就可以了 对应源码修改的地方，按下述方案一步一步来即可（有请大神2号）： https://blog.csdn.net/weixin_41868104/ar
使用YOLO11训练自己的数据集
最新发布
01-19
### 使用YOLOv11训练自定义数据集 #### 3.1 数据集准备 为了使用YOLOv11训练自定义数据集，首先需要准备好合适的数据集。这包括图像文件及其对应的标签文件。通常情况下，这些标签是以YOLO格式保存的文本文件，每行代表一个目标对象的位置和类别[^1]。 对于图像标注工作，可以采用多种工具完成，比如`labelImg`, `LabelMe`等。其中`LabelMe`可以通过conda安装： ```bash conda install pyqt=5 conda install labelme ``` 上述命令会安装必要的依赖库以及`LabelMe`本身，之后便能利用此工具为图片打上边界框并指定所属分类[^4]。 #### 3.2 数据集划分 一旦拥有了足够的带标记样本，下一步就是合理地分割成训练集、验证集（有时还包括测试集），以便后续评估模型性能时不受到过拟合的影响。一般建议按照一定比例随机分配各个子集合中的成员。 #### 3.3 配置文件设置 针对特定版本的YOLO框架，在开始正式训练之前还需调整相应的配置参数。虽然不同版本间存在差异，但核心部分大致相同——即指明输入尺寸、批次大小(batch size)、最大迭代次数(max_batches)，还有各类损失函数权重等等。 假设要创建一个新的`.yaml`配置文档，则其结构可能如下所示： ```yaml train: ./datasets/train/ val: ./datasets/valid/ nc: 80 names: ['class_1', 'class_2', ...] mosaic: true degrees: 0.0 translate: 0.1 scale: 0.5 shear: 0.0 perspective: 0.0 ... ``` 这里仅展示了部分内容；实际应用时应参照官方指南或现有案例做适当修改以适应具体需求。 #### 3.4 编写训练脚本 最后一步便是编写Python脚本来启动整个流程。下面给出了一段简单的例子作为参考： ```python from ultralytics import YOLO model = YOLO('yolov11.yaml') # 加载预设配置 results = model.train(data='./data.yaml', epochs=100, imgsz=640) print(results) ``` 这段代码片段说明了如何加载定制化的网络架构描述(`yolov11.yaml`)，并通过调用内置方法执行一轮完整的训练过程，期间还会自动记录日志供日后分析查看。
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

AI技术库

谢谢鼓励~我将继续创作优质博文

¥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