YOLOv11 数据集训练与推理实战指南

修改说明：

1. postfix 参数填图片后缀（如 png, jpg）。
2. imgpath 参数填图片所在路径。
3. xmlpath 参数填标注文件路径。
4. txtpath 参数填生成的 YOLO 格式文件路径。

3. 数据集划分

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'./images'
txtpath = r'./labels'
output_train_img_folder = r'./dataset/images/train'
output_val_img_folder = r'./dataset/images/val'
output_train_txt_folder = r'./dataset/labels/train'
output_val_txt_folder = r'./dataset/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)

list_dir = [i for i in os.listdir(txtpath) if 'txt' in i]
train, val = train_test_split(list_dir, 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)

数据集放置方式有两种，确保训练集和验证集目录结构正确即可。

4. 修改 YOLO 的训练配置文件

在项目下创建 data.yaml 文件，配置训练集、验证集路径及类别名称。

train: ./images/train # train images (relative to 'path')
val: ./images/val # val images (relative to 'path')
nc: 2 # class names
names: ['dog', 'cat']

三、YOLO 环境配置教程

YOLOv11/YOLOv10/YOLOv9/YOLOv8/YOLOv7/YOLOv5 环境通用，只需安装一次。

1. PyTorch 环境安装

参考官方文档安装 PyTorch。

2. 其他依赖安装

安装 requirements.txt 中的环境，建议注释掉已安装的 PyTorch 相关行，避免覆盖版本。

# 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

四、YOLOv11 训练

1. 在根目录新建 Python 文件 train.py。
2. 复制以下训练代码并修改路径参数。

# -*- coding: utf-8 -*-
import warnings
warnings.filterwarnings('ignore')
from ultralytics import YOLO

if __name__ == '__main__':
    model = YOLO(model=r'./cfg/models/11/yolo11.yaml')
    # model.load('yolo11n.pt') # 加载预训练权重
    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： 需将模型配置路径和数据集配置文件路径修改为实际路径。

参数解释：

• model: 模型配置文件路径。
• data: 训练数据集配置文件路径。
• imgsz: 输入图像尺寸，默认 640x640。
• epochs: 训练轮数。
• batch: 批处理大小，根据显存调整。
• workers: 数据加载线程数，显存不足可设为 0。
• device: 设备选择，留空自动选择 GPU 或 CPU。
• optimizer: 优化器类型。
• close_mosaic: 关闭 mosaic 数据增强的 epoch 数。
• resume: 是否从上次中断继续训练。
• project: 结果保存文件夹。
• name: 结果文件夹命名。
• single_cls: 是否将所有类别视为一个类别。
• cache: 是否缓存数据。

五、YOLOv11 推理

1. 下载官网预训练模型（如 yolo11n.pt）。
2. 在根目录新建 Python 文件 detect.py。
3. 复制以下推理代码并修改路径。

# -*- coding: utf-8 -*-
from ultralytics import YOLO

if __name__ == '__main__':
    model = YOLO(model=r'./yolo11n-seg.pt')
    model.predict(source=r'./assets/bus.jpg', save=True, show=True,)

参数解释：

• model: 模型文件路径。
• source: 图片或视频路径，摄像头则填 0。
• save: 是否保存推理结果，True 表示保存。
• show: 是否显示推理结果窗口，True 表示显示。

六、解决训练过程中断怎么继续上次训练

若训练中断，可通过设置 resume=True 继续训练。

model.train(..., resume=True, model='runs/train/exp/weights/last.pt')

• model: 填入上次中断的模型路径（last.pt）。
• resume: 设置为 True，加载上一次训练的模型权重和优化器状态。

总结

本文介绍了 YOLOv11 数据集训练与推理的基本流程，涵盖环境配置、数据准备、训练参数设置及断点续训方法，助力快速上手 YOLOv11 模型应用。