Windows 环境下 Python 结合 YOLO 实现图片分类检测

在上一篇文章中已完成环境搭建，本节进行图片分类检测测试。

图片分类检测即识别图像中的物体类别，例如识别水果种类。首先训练两种水果的模型：苹果和香蕉。

数据集需按以下目录结构组织：

your_dataset/
├── train/
│   ├── class1/
│   ├── class2/
│   └── …
└── val/
    ├── class1/
    ├── class2/
    └── …

将数据放入对应文件夹，并在根目录编写 Python 脚本。

from ultralytics import YOLO

if __name__ == "__main__":
    # 1. 载入预训练模型，请替换为实际路径
    model = YOLO(r"path/to/yolo11s-cls.pt")
    
    # 2. 启动训练
    results = model.train(
        data=r"path/to/dataset",
        batch=0.75,
        project="fruit_results",
        deterministic=False,
        epochs=30,
        imgsz=640,
        degrees=60,
        flipud=0.3,
        fliplr=0.3
    )

代码逻辑如下：

• YOLO：加载预训练模型。
• model.train：配置训练参数，包括数据集路径、批次大小、保存目录、轮数及图像增强策略。
• 建议输入图像尺寸设为 640x640，若显存不足可调整 batch 值。

Epoch n/30 表示当前训练轮次。GPU_mem 显示显存占用，用于调整 batch 参数。loss 是评估模型学习效果的核心指标，理想情况下应随训练稳定下降。Loss 值未有效下降可能因数据质量或品类单一导致。

训练完成后，结果文件保存在指定目录。查找生成的模型文件，重点关注 weights 文件夹下的 best.pt 文件。