AI技术栈 —— LabelMe的使用与YOLOV11模型训练

一、如何安装？

Github官网可以直接下载LabelMe的exe可执行文件。

参考文章或视频链接
[1] Labelme官网
[2] Labelme Starter
[3] Labelme - Github

二、如何使用？

参考文章或视频链接
[1] 使用labelme打标签，详细教程 - 优快云
[2] Labeling with LabelMe: Step-by-step Guide [Alternatives + Datasets]
[3] 重点查看 Labelme Starter Guide
[4] [**YOLO中的数据增强

三、YOLOV11实战

3.1 数据预处理

下面，我们来用labelme做一个检测项目，这是cv的入门项目，也是必须掌握的。在这之前，还需要掌握一个工具，labelme2yolo，安装方式如下，使用方式见参考文章[1]。

pip install labelme2yolo

在使用下面这条命令处理好数据后，就可以开始yolo模型的训练了，这会生成一个YOLODataset文件夹，如果你要移动该文件夹，记得修改dataset.yaml文件中的内容。

labelme2yolo --json_dir /path/to/labelme_json_dir/ --val_size 0.15 --test_size 0.15

3.2 训练

from ultralytics import YOLO

# Load a model，要从github上下载pt权重，也可以手动下载到某个目录并指定path
model = YOLO("yolo11s.pt")  # load a pretrained model (recommended for training)

# Train the model
data_path = "/{your_path}/YOLODataset/dataset.yaml"
model.train(
    data=data_path,
    epochs=200,
    imgsz=640,
    project="{your_folder}",  # 自定义保存文件夹
    save=True,  # 开启保存
    save_period=5  # 控制保存的频率
)

训练好后会出现一个文件夹，里面有best.pt以及训练过程中的各种数据，下面我们来观察下训练过程中的一些输出

Epoch    GPU_mem   box_loss   cls_loss   dfl_loss  Instances       Size
    194/200      4.87G     0.8492      2.769      1.159          7        640: 100%|██████████| 2/2 [00:00<00:00, 10.08it/s]
                 Class     Images  Instances      Box(P          R      mAP50  mAP50-95): 100%|██████████| 1/1 [00:00<00:00, 34.02it/s]
                   all          2         50       0.22      0.511      0.402      0.353

# 训练参数
# 1.Epoch 当前的训练轮数（epoch）。
# 2.GPU_mem 当前 GPU 的显存使用情况。
# 3.box_loss 边界框损失（Box Loss），用于衡量模型预测的边界框与真实边界框之间的差异。
# 4.cls_loss 分类损失（Classification Loss），用于衡量模型预测的类别与真实类别之间的差异。
# 5.dfl_loss 分布式特征损失（Distribution Focal Loss），用于优化模型预测的边界框位置。
# 6.Instances 当前 batch 中包含的实例（目标）数量。
# 7.Size 输入图像的尺寸，表明是640*640。

# 验证日志参数解释
# 1. Class含义: 当前评估的类别。示例: all 表示所有类别的评估结果。
# 2. Images含义: 用于评估的图像数量。示例: 2 表示使用了 2 张图像进行评估。
# 3. Instances含义: 用于评估的实例（目标）数量。示例: 50 表示评估的图像中总共有 50 个实例。
# 4. Box(P)含义: 边界框的精确率（Precision），表示模型预测的边界框中正确预测的比例。示例: 0.22 表示边界框的精确率为 0.22。
# 5. R含义: 边界框的召回率（Recall），表示模型正确预测的边界框占所有真实边界框的比例。示例: 0.511 表示边界框的召回率为 0.511。
# 6. mAP50含义: 平均精度（Mean Average Precision），在 IoU（Intersection over Union）阈值为 0.5 时的值。示例: 0.402 表示 mAP50 为 0.402。
# 7. mAP50-95含义: 平均精度（Mean Average Precision），在 IoU 阈值从 0.5 到 0.95 时的平均值。示例: 0.353 表示 mAP50-95 为 0.353。

参考文章或视频链接
[1] labelme2yolo - PyPI
[2] YOLOv8: A Complete Guide [2025 Update]
[3] YOLOv8 权重文件下载：加速您的目标检测项目

3.3 预测

训练好后，会有一个best.pt模型，要测试该模型的一个输出效果，如何做？

import cv2
from ultralytics import YOLO

# Load the YOLO model
model = YOLO("/{Your Path}/best.pt")

# Load the image
img = cv2.imread("/{Your Path}/test.jpg")

# Perform the prediction
results = model(img)

# Extract the bounding boxes and labels
boxes = results[0].boxes.xyxy.cpu().numpy()  # xyxy format
confidences = results[0].boxes.conf.cpu().numpy()
classes = results[0].boxes.cls.cpu().numpy()
labels = model.names  # Access names from the model

# Draw rectangles on the detected objects
for box, conf, cls in zip(boxes, confidences, classes):
    x1, y1, x2, y2 = box
    label = labels[int(cls)]
    cv2.rectangle(img, (int(x1), int(y1)), (int(x2), int(y2)), (0, 255, 0), 2)
    cv2.putText(
        img,
        f"{label} {conf:.2f}",
        (int(x1), int(y1) - 10),
        cv2.FONT_HERSHEY_SIMPLEX,
        0.9,
        (0, 255, 0),
        2,
    )

# Save or display the image
cv2.imwrite("./output.jpg", img)
cv2.imshow("Image", img)
cv2.waitKey(0)
cv2.destroyAllWindows()