文章目录

前言一、YOLOv11代码下载地址1.YOLOv11模型结构图

二、数据集准备1.数据集标注软件2.voc数据集格式转换3.数据集划分4.修改yolo的训练配置文件

三、YOLO环境配置教程1.pytorch环境安装2.其他依赖安装

四、YOLOv11训练五、YOLOv11推理总结

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：

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

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

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

下面是软件界面

设置自动保存标注生成的标注文件

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：

<code>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:code>

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

3.数据集划分

<code>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

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

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

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

代码如下：

<code>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

手把书安装教程链接参考链接: pytorch环境安装教程视频

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

手把书安装教程链接参考链接:： 其他依赖安装

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

(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：

<code># -*- 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='',code>

optimizer='SGD',code>

close_mosaic=10,

resume=False,

project='runs/train',code>

name='exp',code>

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

训练代码的参数解释：

1.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

2.data参数：该参数可以填入训练数据集配置文件的路径

3.imgsz参数：该参数代表输入图像的尺寸，指定为 640x640 像素

4.epochs参数：该参数代表训练的轮数

5.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

6.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

7.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

8.optimizer参数：该参数代表优化器类型

9.close_mosaic参数：该参数代表在多少个 epoch 后关闭 mosaic 数据增强

10.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。

11.project参数：该参数代表项目文件夹，用于保存训练结果

12.name参数：该参数代表命名保存的结果文件夹

13.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

14.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

五、YOLOv11推理