基于 Python 和 YOLOv11 训练自定义数据集

点击右下角的标志，弹出弹窗，选择刚才创建的 yolov11 虚拟环境

点击运行可以看到已经切换成 yolov11 的虚拟环境了

之后就是安装所有需要的库

新建一个文件 命名为 requirements.txt

执行安装库命令 pip install -r requirements.txt

certifi charset-normalizer==3.4.4 colorama==0.4.6 coloredlogs==15.0.1 contourpy==1.3.2 cycler==0.12.1 filelock==3.20.0 flatbuffers==25.9.23 fonttools==4.60.1 fsspec==2025.9.0 humanfriendly==10.0 idna==3.11 Jinja2==3.1.6 kiwisolver==1.4.9 MarkupSafe==3.0.3 matplotlib==3.10.7 ml_dtypes==0.5.3 mpmath==1.3.0 networkx==3.4.2 numpy==2.2.6 onnx==1.19.1 onnxruntime==1.23.2 onnxruntime-gpu==1.23.2 onnxslim==0.1.73 opencv-python==4.12.0.88 packaging==25.0 pillow==12.0.0 pip==25.2 polars==1.34.0 polars-runtime-32==1.34.0 protobuf==6.33.0 psutil==7.1.2 pyparsing==3.2.5 pyreadline3==3.5.4 python-dateutil==2.9.0.post0 PyYAML==6.0.3 requests==2.32.5 scipy==1.15.3 setuptools==80.9.0 six==1.17.0 sympy==1.14.0 #torch==2.9.0+cu126 #torchvision==0.24.0+cu126 tqdm==4.67.1 #typing_extensions==4.15.0 ultralytics==8.3.221 ultralytics-thop==2.0.17 urllib3==2.5.0 wheel==0.45.1

如果遇到版本不同，或库不存在这个版本，需要查找 AI，让他给出适合的版本。

环境安装完成，运行 init.py 测试一下，像这样就可以了

三、训练自己的数据集

1. 打开 train.py，前面已经创建的，没有创建就创建一个，将下面代码复制进去。

import warnings
warnings.filterwarnings('ignore')
from ultralytics import YOLO
if __name__ == '__main__':
    model = YOLO('ultralytics/cfg/models/11/yolo11_cap.yaml') # 指定 YOLO 模型对象，并加载指定配置文件中的模型配置
    # model.load('yolov8s.pt') # 加载预训练的权重文件 'yolov8s.pt'，加速训练并提升模型性能
    model.train(data='data/CAP/cap.yaml', # 指定训练数据集的配置文件路径，这个.yaml 文件包含了数据集的路径和类别信息
                cache=False, # 是否缓存数据集以加快后续训练速度，False 表示不缓存
                imgsz=640, # 指定训练时使用的图像尺寸，640 表示将输入图像调整为 640x640 像素
                epochs=200, # 设置训练的总轮数为 200 轮
                batch=16, # 设置每个训练批次的大小为 16，即每次更新模型时使用 16 张图片
                close_mosaic=10, # 设置在训练结束前多少轮关闭 Mosaic 数据增强，10 表示在训练的最后 10 轮中关闭 Mosaic
                workers=8, # 设置用于数据加载的线程数为 8，更多线程可以加快数据加载速度
                patience=50, # 在训练时，如果经过 50 轮性能没有提升，则停止训练（早停机制）
                device='0', # 指定使用的设备，'0' 表示使用第一块 GPU 进行训练
                optimizer='SGD' # 设置优化器为 SGD（随机梯度下降），用于模型参数更新
               )

2. 在 ultralytics-main 目录新建一个 data 目录 --> 放入自己的数据集。

3. 新建一个.yaml 的文件，内需要根据自己打标时定义的 class 名填写。

train: ./train/images # 训练集路径
val: ./val/images # 验证集路径
nc: 3 # class 数量
names: ["Capacitor", "Negative", "Positive"] # class 名称

4. 复制一份官方的 yolo11.yaml 改名为 yolo11_cap.yaml，并修改下面内容，其他不用修改。

nc: 3 # 表示目标检测的类别总数
names: ["Capacitor", "Negative", "Positive"] # 表示类别名称列表，与 nc 对应
scales: # YOLO 系列的'复合缩放'参数，用于生成不同大小的模型
  s: [0.50, 0.50, 1024] # summary: 181 layers, 9458752 parameters, 9458736 gradients, 21.7 GFLOPs

5. 回到 train.py，注意代码中的两个.yaml 路径就是上面创建的文件，运行代码

这样等他自己训练完成就会在 runs 目录下生成想要的模型了，best.pt 就是生成的最好模型了。