曾经也曾立志

建议从YOLOv8+OpenCV DNN的组合开始实践，该方案具有较好的社区支持和工具链成熟度。实际部署时需注意不同框架的版本兼容性。PyTorch/YOLO训练。OpenCV/C++推理。

参看之前博客，得到yolo11n-seg.onnx，这里直接给出代码。

当训练恢复时，Ultralytics YOLO 会从上次保存的模型加载权重，还会恢复优化器状态、学习率调度器和 epoch 编号。这使得可以从中断的地方无缝地继续训练过程。只需指定包含部分训练模型权重的 .pt 文件的路径；并在调用 train 方法时，设置 resume 参数为 True即可。以下是如何使用 python 恢复中断训练的代码。

YOLOv11检测物体时，OpenCV DNN模块输出的边界框坐标采用‌中心点坐标加宽高的格式‌（x_center, y_center, width, height），即每个边界框由‌中心点横纵坐标和宽度高度‌四个参数确定。‌。

【代码】YOLO系列——Ubuntu20.04下通过conda虚拟环境源码安装opencv-4.10与opencv_contrib-4.10.0。

这里将YOLODataset文件重命名为manhole，yolo需要的数据都在这个文件夹下。将第3步中的best.pt拷贝，并重命名为manhole.pt。注：该文主要记录方法流程，为了节省时间，才选择了很少的样本。best.pt就是训练后的模型。

1.1将标注的数据按照如下目录结构存放1.2 创建yaml文件。

使用labelimg标注工具进行目标检测数据标注时，需先建立规范的文件结构，包含images训练/验证集目录和标注文件。

将所有LabelMe JSON文件放在labelme_json_dir下。脚本会根据文件夹读取训练和验证数据集。运行以下Python命令。

YOLO系列——Ubuntu20.04下通过conda虚拟环境安装Labelme。

【代码】使用Ultralytics YOLOv11模型在C++ OpenCV DNN模块进行模型加载与推理（附源码）

Netron 支持 ONNX、TensorFlow Lite、Core ML、Keras、Caffe、Darknet、PyTorch、TensorFlow.js、Safetensors 及 NumPy 等格式。Netron 是一款用于神经网络、深度学习及机器学习模型的查看器。

本文介绍了在Ubuntu 20.04系统下使用VSCode创建Python虚拟环境并安装ultralytics库的方法。

在VSCode的集成终端（确保环境已激活），运行一个简单的检测命令来测试环境。on macOS)，输入 “Python: Select Interpreter”），点击右上角的运行按钮，或者右键选择“在终端中运行Python文件”。：你也可以直接在VSCode中打开项目的Python文件（如。如果环境配置正确，脚本会执行并生成检测结果图片，如下。* 选择刚才创建的虚拟环境，如下。一切就绪后，可以进行测试。

本文介绍了在Ubuntu 20.04系统下安装Miniconda、配置PyTorch环境及安装YOLO库的完整流程。主要内容包括：1）安装Miniconda；2）创建独立的conda环境并安装PyTorch（区分GPU和CPU版本）；3）验证PyTorch安装；4）使用pip安装ultralytics包以支持YOLO；5）基本环境验证方法。文中还提供了注意事项，包括驱动/CUDA检查、包管理器选择和镜像源配置等建议，帮助用户顺利完成深度学习环境的搭建。

本文详细介绍了在Ubuntu 20.04上安装Miniconda3的完整步骤。主要内容包括下载Miniconda安装脚本、验证文件完整性、添加执行权限、运行安装程序（交互式或静默模式）、初始化conda环境、验证安装结果、配置conda选项以及创建测试环境。还提供了卸载方法和注意事项，如安装路径、权限要求和磁盘空间等。该指南适用于需要搭建Python数据科学环境的用户，涵盖了从安装到基本配置的全过程。