PythonAI算法
YOLOv11 数据集训练与推理指南及网络结构解析
YOLOv11 是 Ultralytics 团队发布的最新目标检测模型。内容涵盖环境配置、数据集准备（标注、格式转换、划分）、训练配置与执行、推理部署及断点续训。涉及 LabelImg 工具使用、VOC 转 YOLO 格式脚本、PyTorch 依赖安装、训练参数调整及预测代码编写。适用于目标检测、实例分割等任务，提供完整的从零开始实践流程。
YOLOv11 是 Ultralytics 团队发布的最新目标检测模型。内容涵盖环境配置、数据集准备（标注、格式转换、划分）、训练配置与执行、推理部署及断点续训。涉及 LabelImg 工具使用、VOC 转 YOLO 格式脚本、PyTorch 依赖安装、训练参数调整及预测代码编写。适用于目标检测、实例分割等任务，提供完整的从零开始实践流程。
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。YOLOv11 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。
官网的源码下载地址：Ultralytics GitHub
根据 yolov11.yaml 画出 yolo 整体结构图，如下图所示
数据集使用标注软件标注好，推荐 labelimg 或 labelme，可以在 python 环境使用 pip install labelimg 或者 pip install labelme 进行安装。
安装完成在终端输入命令启动标注软件。
设置自动保存标注生成的标注文件。
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：
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:
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'your_image_path' # 图像文件路径
xmlpath = r'your_xml_path' # xml 文件路径
txtpath = r'your_txt_path' # 生成的 txt 文件路径
if not os.path.exists(txtpath):
os.makedirs(txtpath, exist_ok=True)
listdir = os.listdir(xmlpath)
error_file_list = []
for i in range(0, len(listdir)):
try:
path = os.path.join(xmlpath, listdir[i])
if ('.xml' in path) or ('.XML' in path):
convert_annotation(path, listdir[i])
print(f'file {listdir[i]} convert success.')
else:
print(f'file {listdir[i]} is not xml format.')
except Exception as e:
print(f'file {listdir[i]} convert error.')
print(f'error message:\n{e}')
error_file_list.append(listdir[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：
划分训练集和验证集代码如下：
import os, shutil
from sklearn.model_selection import train_test_split
val_size = 0.2
postfix = 'jpg'
imgpath = r'your_image_path'
txtpath = r'your_label_path'
output_train_img_folder = r'your_output/train/images'
output_val_img_folder = r'your_output/val/images'
output_train_txt_folder = r'your_output/train/labels'
output_val_txt_folder = r'your_output/val/labels'
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)
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)
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。
数据集有以下两种方式放置，都可以进行训练。
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。
代码如下：
train: ./images/train # train images (relative to 'path')
val: ./images/val # val images (relative to 'path')
nc: 2 # class names
names: ['dog', 'cat']
YOLOv11/YOLOv10/YOLOv9/YOLOv8/YOLOv7/YOLOv5 环境都是通用的，只需要安装一次就行。
基础环境配置参考官方文档或相关教程链接。
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。
没有这个文件可以自己新建一个 requirements.txt，然后把下面代码复制进去就好了。
# Ultralytics requirements
# Example: pip install -r requirements.txt
# Base ----------------------------------------
matplotlib>=3.3.0
numpy==1.24.4
opencv-python>=4.6.0
pillow>=7.1.2
pyyaml>=5.3.1
requests>=2.23.0
scipy>=1.4.1
tqdm>=4.64.0
# Logging -------------------------------------
# tensorboard>=2.13.0
# dvclive>=2.12.0
# clearml
# comet
# Plotting ------------------------------------
pandas>=1.1.4
seaborn>=0.11.0
# Export --------------------------------------
# coremltools>=7.0
# onnx>=1.12.0
# onnxsim>=0.4.1
# nvidia-pyindex
# nvidia-tensorrt
# scikit-learn==0.19.2
# tensorflow>=2.4.1
# tflite-support
# tensorflowjs>=3.9.0
# openvino-dev>=2023.0
# Extras --------------------------------------
psutil
py-cpuinfo
thop>=0.1.1
# ipython
# albumentations>=1.0.3
# pycocotools>=2.0.6
# roboflow
(1) 在根目录新建一个 python 文件，取名为：train.py。
(2) 把训练代码复制到 train.py 文件。
训练的代码如下：
# -*- coding: utf-8 -*-
import warnings
warnings.filterwarnings('ignore')
from ultralytics import YOLO
if __name__ == '__main__':
model = YOLO(model=r'path/to/yolo11.yaml')
# 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
model.train(data=r'data.yaml', imgsz=640, epochs=50, batch=4, workers=0, device='', optimizer='SGD', close_mosaic=10, resume=False, project='runs/train', name='exp', single_cls=False, cache=False,)
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：
我这里演示加载预训练权重，训练输出如下所示：
（1）官网的预训练模型下载
进入官网的源码下载地址，往下面拉，看到模型位置，YOLOv11 针对不同的场景和应用提供了 YOLOv11n、YOLOv11s 等不同大小的模型，具体看官网提供的，需要下载哪个，鼠标左键单击下载就行。
（2）在根目录新建一个 python 文件，取名为：detect.py。
（3）把推理代码复制到 detect.py 文件。
注意：模型路径改成你自己的路径，还有预测图像也改成你自己的路径。
推理的代码如下：
# -*- coding: utf-8 -*-
from ultralytics import YOLO
if __name__ == '__main__':
# Load a model
model = YOLO(model=r'path/to/yolo11n-seg.pt')
model.predict(source=r'path/to/bus.jpg', save=True, show=True,)
推理代码的参数解释：
分割模型推理结果如下：
目标检测模型推理结果如下：
在训练过程不小心中断了，那怎么继续上次的训练了，这里先不慌，官网也的代码写得非常好，它有这个断点训练功能，那么 YOLOv8 v10 v11 处理的方法都是一模一样。
YOLOv11 训练自己数据集和推理到此结束。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online