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。



