模型实战（27）之 YOLO11 推理、验证及训练自己的数据集

最新推荐文章于 2025-06-09 23:21:43 发布
最新推荐文章于 2025-06-09 23:21:43 发布
阅读量690 收藏 2
点赞数 2
CC 4.0 BY-SA版权
分类专栏： # 深度学习实战例程 文章标签： 深度学习 算法 人工智能 计算机视觉 opencv YOLO
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/yohnyang/article/details/142875065

模型实战（27）之 YOLO11推理、验证及训练自己的数据集

  • 2024年10.17，YOLO11是近期十月份刚经ultralytics团队更新优化发布的视觉算法深度学习网络模型，其网络模型结构代码实现也采用了比较新的Python数据结构，所以虚拟环境搭建安装包也比较新，经过多次踩坑，把关键环节记录在本文中

  • 可以说，YOLO11是在YOLOv8的的基础上，借鉴了v9,v10的一些创新点，经过整合优化发布的集检测、分割、姿态和旋转目标检测等多任务于一体的、可快速边界部署、跨平台的深度学习算法
    在这里插入图片描述

  • 其整体精度和稳定性也有了一定的提高，但最明显的还是m模型，针对小模型n,s等，主要区别还是精度的提升和参数量的减小，速度变化不大，其性能表现如下图：
    在这里插入图片描述

1. 环境搭建

  • 官网做了如下提示，但是当我安装的环境包基本和yolov8类似时，却会有需要python>=10 的警告，还
了解本专栏 订阅专栏 解锁全文
YOLOv11来了，使用YOLOv11训练自己的数据集和推理(附YOLOv11网络结构图)
在职AI算法工程师，擅长计算机视觉，YOLO目标检测、分割等，擅长web、pyqt界面可视化，好内容持续更新中，来这里跟大家一起学习，共同进步
10-02 19万+
YOLOv11 由 Ultralytics 在 2024 年 9 月 30 日发布， 最新的 YOLOv11 模型在之前的 YOLO 版本引入了新功能和改进，以进一步提高性能和灵活性。YOLO11 在快速、准确且易于使用，使其成为各种对象检测和跟踪、实例分割、图像分类和姿态估计任务的绝佳选择。
YOLO11模型推理 | 目标检测与跟踪 | 实例分割 | 关键点估计 | OBB旋转目标检测
黎国溥
10-09 1万+
本文分享YOLO11的模型推理，检测任务包括物体分类、目标检测与跟踪、实例分割 、关键点估计、旋转目标检测等。
实例分割 | yolov11训练自己的数据集
qq_29676069的博客
03-01 1411
因为项目还没完成，主要精力在此项目中，过程写的有点仓促，后面会慢慢优化文章质量，补全没完成的部分。
盲人障碍物YOLOv11训练结果分析
最新发布
crasher123的博客
06-09 203
在目标检测任务中，mAP被用作衡量检测模型在不同条件下表现的标准，具体计算方式是通过在不同的IoU（Intersection over Union）阈值下，绘制精度与召回率的曲线图，计算其下方的面积。：表示在IoU阈值从0.5到0.95（步长为0.05）范围内，计算得到的平均mAP值。：指在IoU阈值大于0.5时计算得到的平均mAP，侧重于评估在较低阈值下模型的目标检测能力。：表示正确识别为正类的样本占所有被判定为正类样本的比例。：表示实际为正类的样本中，模型能够正确识别出来的比例。
一篇文章快速认识 YOLO11 | 实例分割 | 模型训练 | 自定义数据集
黎国溥
10-12 1万+
本文分享YOLO11的实例分割，通过自定义数据集、数据标注、标签格式转换、模型训练、模型推理和验证。目录1、数据标注2、Labelme的json转为YOLO的txt3、配置YOLO11代码工程4、数据集yaml配置文件5、YOLO11模型结构配置文件6、编写训练代码7、开始训练模型8、YOLO11模型训练——代码浅析。
YOLOv8推理详解及部署实现
周同学的博客
11-07 1万+
YOLOv8推理详解及部署实现
YOLOv11训练自己数据集_笔记1
m0_60657960的博客
10-10 2621
yolov11可以执行任务：项目环境如下：解释器：python==3.9框架：系统：IDEA：Pycharm自己收集数据集代码地址：https://gitcode.com/gh_mirrors/ul/ultralytics2、权重模型获取权重模型官网：https://docs.ultralytics.com/tasks/detect/五、模型训练未完明天更新完参考：手把手教你使用YOLOv11训练自己数据集（含环境搭建 、数据集查找、模型训练）-优快云博客
YOLO11目标检测算法训练+TensorRT部署实战-附项目源码+完整流程教程+一键执行脚本+效果展示-优质项目实战
10-28
本项目的优质之处还体现在提供了详细的项目流程教程，包含了从数据集的准备、模型的训练、模型的转换、加速推理到效果展示的完整步骤。开发者可以依照教程一步步操作，遇到问题时还可以参考项目中包含的README文件，...
模型实战（7）之YOLOv8推理+训练自己的数据集详解
yohnyang的博客
03-17 1593
YOLOv8推理+训练自己的数据集详解
手把手教你搭建YOLOV8+CUDA环境，训练自定义数据集，训练推理验证导出。小白也能看得懂的！
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
05-18 1万+
YOLO（You Only Look Once）系列算法因其高效、准确等特点而备受瞩目。由2023年Ultralytics公司发布了YOLO的最新版本YOLOv8是结合前几代YOLO的基础上的一个融合改进版。本文主要介绍YOLOv8环境搭建/数据集获取/训练/推理/验证/导出/部署
实战 | YOLO11自定义数据集训练实现缺陷检测 (标注+训练+预测 保姆级教程)
Color Space的博客
12-13 258
安装完成后，命令行直接输入labelimg，回车即可打开labelimg，数据集类型切换成YOLO，然后依次完成标注即可。标注好之后，使用下面的脚本划分训练集、验证集，注意设置正确的图片和txt路径：​​​​​​​。defects.yaml内容如下，注意修改自己的数据集路径即可：​​​​​​​。安装好后可以查看是否安装成功，上面安装的gpu版本，查看指令与结果：​​​​​​​。在weights文件夹下生成两个模型文件，直接使用best.pt即可。训练脚本如下：​​​​​​​。预测脚本如下：​​​​​​​。
YOLOv11| 一文搞懂yolo得最新作品YOLOv11，并训练自己的数据集
SQingL的博客
10-10 8398
YOLOv11是ultralytics公司的最新作品，此公司还出了yolov5，yolov8。不得不说，ultralytics公司出品，必是精品。相比于YOLOv8，在YOLOv11中，将c2f变为C3K2，在SPPF后面添加了C2PSA，检测头内部替换了两个DWConv，模型的宽度和深度进行了大幅度的调整。
保姆级手把手使用YOLOv11训练自己数据集（含源代码、网络结构、模型检测和转换 、数据集查找、模型训练）
热门推荐
syu_acm的博客
10-06 3万+
本教程内含YOLOv11网络结构图+训练教程+推理教程+数据集获取等有关的内容~
YOLOv11训练和推理 最详细教程！！！
dangdangq的博客
11-20 5286
主要分享了一下怎么使用YOLOv11训练自己的数据集模型。
YOLOV8训练自己的数据集
yxk666的博客
09-05 8278
YOLOV8快速上手训练自己的数据集并进行预测
YOLOv10 | 手把手教你利用yolov10训练自己数据集（含环境搭建、参数解析 、数据集查找、模型训练、推理、导出）
Snu77的博客
05-26 3万+
本文内含YOLOv10网络结构图 + 各个创新模块手撕结构图 + 训练教程 + 推理教程 + 参数解析 + 环境搭建 + 数据集获取等一些有关YOLOv10的内容！目录一、前言二、整体网络结构图三、空间-通道分离下采样3.1 SCDown介绍3.2 C2fUIB介绍3.3 PSA介绍四、环境搭建五、数据集获取六、模型获取七、模型训练7.1 训练的三种方式7.1.1 方式一7.1.2 方式二（推荐）7.1.3 方式三八、模型验证/测试九、模型推理十、模型输出官方论文地址点击此处即可跳转。
yolo 11从原理、创新点、训练到部署(yolov11代码+教程)
QQ_1309399183的博客
10-25 5041
yolo 11从原理、创新点、训练到部署(yolov11代码+教程)
目标检测算法-YOLOV11解析
10-24 1万+
YOLOv11是由Ultralytics公司开发的新一代目标检测算法，它在之前YOLO版本的基础上进行了显著的架构和训练方法改进。整合了。
YOLO11 | 一年更三版 版版不一样 | 关键改进及网络结构图【全网首发】
kay_545
09-30 1万+
是一个增强型卷积模块，它通过堆叠的。
yolo v11运行代码
04-29
### 关于 YOLO v11 运行代码的相关信息 YOLO v11 是一种强大的目标检测框架，支持多种任务，包括但不限于目标检测、实例分割以及多目标跟踪。为了运行 YOLO v11 代码，通常需要完成以下几个方面的配置和操作。 #### 1. 数据集准备 在运行 YOLO v11 训练之前，需准备好数据集并按照特定格式组织。以下是常见的数据集结构： ```plaintext dataset/ ├── images/ │ ├── train/ │ └── val/ └── labels/ ├── train/ └── val/ ``` 其中 `images` 文件夹用于存储图像文件，而 `labels` 文件夹则保存对应的标注文件（通常是 `.txt` 格式的边界框坐标）。对于实例分割任务，可能还需要额外的点集合标注文件[^2]。 #### 2. 配置 YAML 文件 YOLO v11 要求定义一个 YAML 文件来描述数据集路径和其他参数。以下是一个典型的 `data_cls.yaml` 文件示例： ```yaml # dataset path train: ./images/train val: ./images/test test: ./images/test # number of classes nc: 1 # class names names: ['object'] ``` 此文件指定了训练集、验证集的位置，类别数量 (`nc`) 和类别的名称列表 (`names`) [^3]。 #### 3. 编写训练脚本 编写 Python 脚本来加载模型并启动训练过程。下面是一份基于 Ultralytics 库的简单训练脚本示例： ```python from ultralytics.models import YOLO import os os.environ['KMP_DUPLICATE_LIB_OK'] = 'True' if __name__ == '__main__': # 加载预定义的 YOLOv11 模型架构 model = YOLO(model='ultralytics/cfg/models/11/yolo11.yaml') # 开始训练 model.train( data='./data_cls.yaml', # 数据集配置文件路径 epochs=500, # 总共训练轮数 batch=48, # 批次大小 device='0', # GPU 设备编号 (如果使用 CPU，则设为 'cpu') imgsz=640, # 输入图片尺寸 workers=2, # 工作线程数 cache=False, # 是否缓存数据到内存 amp=True, # 是否启用自动混合精度 mosaic=False, # 是否启用马赛克增强 project='runs/train', # 输出目录前缀 name='exp' # 实验名称 ) ``` 这段代码展示了如何初始化 YOLO 模型并通过指定的数据集进行训练。注意调整超参数以适应具体应用场景[^3]。 #### 4. 启动训练命令 确保所有依赖项已正确安装后，在终端执行如下命令即可开始训练： ```bash python train_cls.py ``` 这会调用前面编写的 `train_cls.py` 脚本，并依据设定好的参数逐步优化模型性能[^3]。 --- ###
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

明月醉窗台

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值