当前位置：首页 > news >正文

YOLO11新手入门：5分钟学会训练自己的目标检测模型

news 2026/6/2 14:01:05

YOLO11新手入门：5分钟学会训练自己的目标检测模型

1. 准备工作与环境搭建

1.1 获取YOLO11镜像

YOLO11镜像已经预装了所有必要的深度学习环境和依赖项，包括PyTorch、CUDA等。你无需手动安装复杂的软件包，只需获取镜像即可开始工作。

1.2 启动开发环境

YOLO11镜像提供了两种主要的工作方式：

Jupyter Notebook：适合交互式开发和实验
SSH终端：适合命令行操作和长时间训练任务

选择你熟悉的方式进入开发环境。对于新手，推荐使用Jupyter Notebook，因为它提供了更直观的界面和即时反馈。

2. 快速开始训练

2.1 进入项目目录

首先，我们需要进入YOLO11的项目目录：

cd ultralytics-8.3.9/

2.2 运行训练脚本

YOLO11提供了简单的训练命令，即使是新手也能快速上手：

python train.py

这个命令会使用默认配置开始训练过程。训练完成后，你会在指定目录下看到训练结果和模型权重文件。

3. 创建自定义目标检测器

3.1 准备数据集

要训练识别特定目标的模型（如人和车），你需要准备相应的数据集：

创建数据集文件夹结构：
```
resources/images/det/json/
```
将所有原始图片放入这个文件夹

3.2 使用Labelme标注数据

安装并运行Labelme标注工具：

pip3 install labelme labelme

标注时需要注意：

使用矩形框标注目标
为每个目标指定正确的类别名称（如person或car）
保存为JSON格式的标注文件

3.3 转换标注格式

YOLO11需要特定的标注格式。使用提供的转换脚本将Labelme的JSON标注转换为YOLO格式：

python tool/tool_json2label_det.py

转换后的文件将与原始图片同名，但扩展名为.txt，包含目标的类别和位置信息。

4. 配置训练参数

4.1 创建数据配置文件

在resources/config/data/目录下创建yolo11-det.yaml文件，内容如下：

path: ../ultralytics-yolo11/resources/images/det/datasets/images train: train val: val test: test names: 0: person 1: car

这个文件告诉YOLO11：

数据集的位置
训练集、验证集和测试集的划分
目标类别名称

4.2 创建训练脚本

新建train_det.py文件，配置训练参数：

from ultralytics import YOLO, settings settings.update({ "runs_dir": "./", "weights_dir": "./weights/det" }) def main(): model = YOLO("resources/config/model/yolo11-det.yaml").load("weights/det/yolo11n.pt") results = model.train( data="resources/config/data/yolo11-det.yaml", epochs=1000, patience=100, batch=1, imgsz=640, workers=4, optimizer='AdamW', lr0=1e-3, cos_lr=True, resume=True ) if __name__ == "__main__": main()

5. 运行训练与评估

5.1 开始训练

运行你创建的训练脚本：

python train_det.py

训练过程中，你会看到各种指标的实时更新，包括损失值、准确率等。这些指标帮助你了解模型的学习进度。

5.2 监控训练进度

YOLO11会自动记录训练过程中的关键信息：

训练指标变化曲线
验证集上的表现
最佳模型权重

你可以在TensorBoard中查看这些信息，获得更直观的训练过程可视化。

6. 使用训练好的模型进行预测

6.1 创建预测脚本

训练完成后，创建一个预测脚本predict_det.py：

from ultralytics import YOLO model = YOLO("detect/train/weights/best.pt") results = model.predict( source='resources/images/det/datasets/images/val', imgsz=480, project='detect/predict', name='exp', save=True, conf=0.4, iou=0.7, device='cpu' )