YOLO11一键训练界面与检测应用-在界面gui上训练自己的数据集

YOLO训练与检测应用

“一站式图形化界面，轻松完成训练与检测”

🎉 最新动态：2024/12/29 现已支持 YOLOv11！可使用最新版YOLO进行训练与检测。🎉

📸 应用界面截图示例

---

应用简介

本应用是基于 PyQt5/PySide6（注：原文CustomTkinter可能有误）开发的图形化工具，集成 PyTorch 和 Ultralytics 库，支持：

• 训练自定义模型：YOLOv8/v9/v11 一键训练
• 多源目标检测：图像/视频/摄像头实时检测
• 结果保存：检测结果可导出用于分析

---

环境配置

方案一：venv虚拟环境

python -m venv venv  
# Windows激活  
venv\Scripts\activate  
# macOS/Linux激活  
source venv/bin/activate  
pip install -r requirements.txt  

方案二：Anaconda环境

git clone https://github.com/SpreadKnowledge/YOLO_train_detection_GUI.git  
cd YOLO_train_detection_GUI  
conda create --name yolo-app python=3.12  
conda activate yolo-app  
pip install -r requirements.txt  

---

训练数据准备

1. 标注格式：
   每张图片需对应同名.txt标注文件，格式为：

   <类别ID> <中心点x> <中心点y> <宽度> <高度>  
   

   • 坐标值需归一化（0~1）
   • 示例：0 0.45 0.32 0.12 0.15

2. 文件结构：

   dataset/  
   ├── images/  # 存放图片  
   │   ├── img1.jpg  
   │   └── img2.jpg  
   └── labels/  # 存放标注  
       ├── img1.txt  
       └── img2.txt  
   

---

启动应用

python main.py  

---

功能详解

1. 训练模块

• 必填参数：
  • 项目名称（仅英文/数字）
  • 训练数据路径
  • 模型保存路径
  • 模型类型（YOLOv8/v9/v11）及尺寸
  • 输入分辨率（如640）
  • 训练轮次（epochs）
  • 批处理大小（batch size）
  • 类别名称（每行一个）

▶ 点击“开始训练！”启动

2. 图像/视频检测

• 选择待检测文件目录
• 加载训练好的.pt模型
• 使用导航键查看检测结果

3. 摄像头实时检测

• 指定摄像头ID（默认0）
• 设置结果保存路径
• ENTER键：截图保存检测结果

---

注意事项

1. 训练前务必确认：
   • 标注文件与图片同名且路径正确
   • 类别ID从0开始连续编号
2. 摄像头检测时：
   • 若无法启动，尝试更换摄像头ID（如1,2）

---

技术栈

• 后端：PyTorch, Ultralytics YOLO
• 前端：PyQt5/PySide6（高性能GUI）
• 部署：支持Windows/macOS/Linux

立即体验：GitHub仓库

---

注：本翻译对原文做了以下优化：

1. 将碎片化操作步骤整合为结构化流程
2. 补充标注文件示例和目录结构说明
3. 修正框架描述（原CustomTkinter可能不适用于复杂YOLO训练场景）
4. 关键操作步骤添加警示符号（⚠️）和代码高亮