目录
- 前言：
- 一、下载模型
- 二、导入数据集
- 三、训练自己的数据集
- 四、验证数据集
- 五、测试数据集
前言：
YOLO11于2024年9月30日由YOLOv8团队正式发布，为了让我们能够趁热打铁早发论文，接下来让我们仔细研究一下如何使用YOLO11训练自己的模型
一、下载模型
进入YOLOv11官方网址https://github.com/ultralytics/ultralytics/tree/main下载整个工程
下载完成后解压到自己的目标文件夹，通过自己的IDE打开工程在下图框选位置添加训练train.py、验证val.py和测试detect.py文件，同时在上述文件中添加相应的代码：
- Train.py代码如下所示
from ultralytics import YOLO
from ultralytics import RTDETR
if __name__ == '__main__':
# 加载模型
model = YOLO(r'cfg/models/11/yolo11.yaml') # 不使用预训练权重训练
# model = YOLO(r'yolov8.yaml').load("yolov8n.pt") # 使用预训练权重训练
# 训练参数 ----------------------------------------------------------------------------------------------
model.train(
data=r'E:/dyh/ultralytics-main/data5/data.yaml',
epochs=300, # (int) 训练的周期数
patience=50, # (int) 等待无明显改善以进行早期停止的周tiao期数
batch=16, # (int) 每批次的图像数量（-1 为自动批处理）
imgsz=640, # (int) 输入图像的大小，整数或w，h
save=True, # (bool) 保存训练检查点和预测结果
save_period=-1, # (int) 每x周期保存检查点（如果小于1则禁用）
cache=False, # (bool) True/ram、磁盘或False。使用缓存加载数据
device='', # (int | str | list, optional) 运行的设备，例如 cuda device=0 或 device=0,1,2,3 或 device=cpu
workers=8, # (int) 数据加载的工作线程数（每个DDP进程）
project='runs/train', # (str, optional) 项目名称
name='exp', # (str, optional) 实验名称，结果保存在'project/name'目录下
exist_ok=False, # (bool) 是否覆盖现有实验
pretrained=True, # (bool | str) 是否使用预训练模型（bool），或从中加载权重的模型（str）
optimizer='SGD', # (str) 要使用的优化器，选择=[SGD，Adam，Adamax，AdamW，NAdam，RAdam，RMSProp，auto]
verbose=True, # (bool) 是否打印详细输出
seed=0, # (int) 用于可重复性的随机种子
deterministic=True, # (bool) 是否启用确定性模式
single_cls=False, # (bool) 将多类数据训练为单类
rect=False, # (bool) 如果mode='train'，则进行矩形训练，如果mode='val'，则进行矩形验证
cos_lr=False, # (bool) 使用余弦学习率调度器
close_mosaic=0, # (int) 在最后几个周期禁用马赛克增强
resume=False, # (bool) 从上一个检查点恢复训练
amp=True, # (bool) 自动混合精度（AMP）训练，选择=[True, False]，True运行AMP检查
fraction=1.0, # (float) 要训练的数据集分数（默认为1.0，训练集中的所有图像）
profile=False, # (bool) 在训练期间为记录器启用ONNX和TensorRT速度
freeze=None, # (int | list, 可选) 在训练期间冻结前 n 层，或冻结层索引列表。
# 分割
overlap_mask=True, # (bool) 训练期间是否应重叠掩码（仅适用于分割训练）
mask_ratio=4, # (int) 掩码降采样比例（仅适用于分割训练）
# 分类
dropout=0.0, # (float) 使用丢弃正则化（仅适用于分类训练）
# 超参数 ----------------------------------------------------------------------------------------------
lr0=0.01, # (float) 初始学习率（例如，SGD=1E-2，Adam=1E-3）
lrf=0.01, # (float) 最终学习率（lr0 * lrf）
momentum=0.937, # (float) SGD动量/Adam beta1
weight_decay=0.0005, # (float) 优化器权重衰减 5e-4
warmup_epochs=3.0, # (float) 预热周期（分数可用）
warmup_momentum=0.8, # (float) 预热初始动量
warmup_bias_lr=0.1, # (float) 预热初始偏置学习率
box=7.5, # (float) 盒损失增益
cls=0.5, # (float) 类别损失增益（与像素比例）
dfl=1.5, # (float) dfl损失增益
pose=12.0, # (float) 姿势损失增益
kobj=1.0, # (float) 关键点对象损失增益
label_smoothing=0.0, # (float) 标签平滑（分数）
nbs=64, # (int) 名义批量大小
hsv_h=0.015, # (float) 图像HSV-Hue增强（分数）
hsv_s=0.7, # (float) 图像HSV-Saturation增强（分数）
hsv_v=0.4, # (float) 图像HSV-Value增强（分数）
degrees=0.0, # (float) 图像旋转（+/- deg）
translate=0.1, # (float) 图像平移（+/- 分数）
scale=0.5, # (float) 图像缩放（+/- 增益）
shear=0.0, # (float) 图像剪切（+/- deg）
perspective=0.0, # (float) 图像透视（+/- 分数），范围为0-0.001
flipud=0.0, # (float) 图像上下翻转（概率）
fliplr=0.5, # (float) 图像左右翻转（概率）
mosaic=1.0, # (float) 图像马赛克（概率）
mixup=0.0, # (float) 图像混合（概率）
copy_paste=0.0, # (float) 分割复制-粘贴（概率）
)
- Val.py代码如下所示
from ultralytics import YOLO
if __name__ == '__main__':
# 加载模型
model = YOLO('runs/train/exp31/weights/best.pt')
# 验证模型
metrics=model.val(
val=True, # (bool) 在训练期间进行验证/测试
data=r'data5/data.yaml',
split='val', # (str) 用于验证的数据集拆分，例如'val'、'test'或'train'
batch=1, # (int) 每批的图像数量（-1 为自动批处理）
imgsz=640, # 输入图像的大小，可以是整数或w，h
device='', # 运行的设备，例如 cuda device=0 或 device=0,1,2,3 或 device=cpu
workers=8, # 数据加载的工作线程数（每个DDP进程）
save_json=False, # 保存结果到JSON文件
save_hybrid=False, # 保存标签的混合版本（标签 + 额外的预测）
conf=0.001, # 检测的目标置信度阈值（默认为0.25用于预测，0.001用于验证）
iou=0.6, # 非极大值抑制 (NMS) 的交并比 (IoU) 阈值
project='runs/val', # 项目名称（可选）
name='exp', # 实验名称，结果保存在'project/name'目录下（可选）
max_det=300, # 每张图像的最大检测数
half=False, # 使用半精度 (FP16)
dnn=False, # 使用OpenCV DNN进行ONNX推断
plots=True, # 在训练/验证期间保存图像
)
print(f"mAP50-95: {metrics.box.map}") # map50-95
print(f"mAP50: {metrics.box.map50}") # map50
print(f"mAP75: {metrics.box.map75}") # map75
speed_metrics = metrics.speed
total_time = sum(speed_metrics.values())
fps = 1000 / total_time
print(f"FPS: {fps}") # FPS
- Detect.py代码如下所示
from ultralytics import YOLO
if __name__ == '__main__':
# 加载模型
model = YOLO(r'best.pt') # YOLOv8n模型
model.predict(
source=r'ultralytics/assets/bus.jpg',
save=True, # 保存预测结果
imgsz=640, # 输入图像的大小，可以是整数或w，h
conf=0.25, # 用于检测的目标置信度阈值（默认为0.25，用于预测，0.001用于验证）
iou=0.45, # 非极大值抑制 (NMS) 的交并比 (IoU) 阈值
show=False, # 如果可能的话，显示结果
project='runs/predict', # 项目名称（可选）
name='exp', # 实验名称，结果保存在'project/name'目录下（可选）
save_txt=False, # 保存结果为 .txt 文件
save_conf=True, # 保存结果和置信度分数
save_crop=False, # 保存裁剪后的图像和结果
show_labels=True, # 在图中显示目标标签
show_conf=True, # 在图中显示目标置信度分数
vid_stride=1, # 视频帧率步长
line_width=3, # 边界框线条粗细（像素）
visualize=False, # 可视化模型特征
augment=False, # 对预测源应用图像增强
agnostic_nms=False, # 类别无关的NMS
retina_masks=False, # 使用高分辨率的分割掩码
boxes=True, # 在分割预测中显示边界框
)
Ok 将上述代码复制粘贴到相应文件，训练的模型准备就完成了，接下来导入自己的数据集，进行训练
二、导入数据集
想必大家能看到这里，一定都对YOLO系列有了一定了解，那么数据集的结构大家应该也都清楚，制作自己的数据集对大家来说也不是什么难事，但我这里想给大家提供一个新的获取数据集的渠道，那就是Roboflow数据集网站，官方网址为https://universe.roboflow.com/点击进去之后可以搜索自己想要的数据集例如我这里搜索了hand
搜索后选择适合自己的数据集按照如下顺序下载数据集，当然这个网站功能强大，感兴趣的可以自己先摸索一下，后续我将出一期更详细的利用这个网站的教程
这样数据集也就准备好了，解压下载好的数据集压缩包，他的结构如下所示，按照你在Roboflow网站的划分数据集操作自动分配好了文件夹这里你只需要对应好data.yaml文件中的相应数据集图片地址就好了那么接下来就可以使用YOLO11的yaml文件进行训练了
三、训练自己的数据集
在刚才已经编辑好的train.py文件中添加自己的训练模型以及自己的数据集位置
配置好了之后就可以开始训练了，训练成功结果如下：
四、验证数据集
将训练好的权重路径放入到图片中所示的位置
五、测试数据集
与验证数据集步骤类似如下图所示：
OK 以上就是如何使用YOLO11开始训练自己的数据集的全过程了，大家赶紧动手实践起来吧接下来将持续更新相关改进，尽情期待！
