Yolov11-detect训练自己的数据集

目录

0、引言

1、开源代码、模型下载

2、环境配置

3、数据集准备

3、设置配置文件

3.1、设置官方配置文件：default.yaml，可自行修改。

3.2、设置data.yaml

4、进行训练

5、验证模型

6、总结

0、引言

本文是使用YOLOv11训练自己的数据集，数据集包含COCO数据集的人猫狗数据以及自己制作的人猫狗数据集，类别为0:person、1:cat、2:dog三类，大家可根据自己的数据集类别进行调整。

1、开源代码、模型下载

代码链接：https://github.com/ultralytics/ultralytics

模型下载：

如果下载速度慢：https://download.csdn.net/download/qq_54134410/89921882?spm=1001.2014.3001.5501

2、环境配置

可参考这篇博客：深度学习环境搭建-CSDN博客

打开Anaconda3终端，进入base环境，创建新环境，我这里创建的是p10t12(python3.10，pytorch1.12)

conda create --name p10t12 python==3.10

进入到创建的环境

conda activate p10t12

安装pytorch：（网络环境比较差时，耗时会比较长）

pip install torch==1.12.0+cu116 torchvision==0.13.0+cu116 torchaudio==0.12.0 --extra-index-url https://download.pytorch.org/whl/cu116 -i  https://pypi.tuna.tsinghua.edu.cn/simple/

将下载的代码解压使用pycharm打开，环境选择创建的p10t12。

安装ultralytics、ultralytics集成了yolo的各种包以及模型等，程序中直接调用

pip install ultralytics

3、数据集准备

YOLOv11的训练数据集格式与YOLOv8相同

mydata
______images
____________train
_________________001.jpg
____________val
_________________002.jpg
______labels
____________train
_________________001.txt
____________val
_________________002.txt   

参照这篇博客的数据集准备即可（根据自己数据集的实际情况来）：

YOLOv8-Detect训练CoCo数据集+自己的数据集_yolov8训练coco-CSDN博客

3、设置配置文件

3.1、设置官方配置文件：default.yaml，可自行修改。

3.2、设置data.yaml

根据自己的数据集位置进行修改和配置。

path: D:\Yolov8\ultralytics-main\datasets\mydata  # dataset root dir
train: images/train  # train images (relative to 'path') 118287 images
val: images/val  # val images (relative to 'path') 5000 images
#test: test-dev2017.txt  # 20288 of 40670 images, submit to https://competitions.codalab.org/competitions/20794
 
# Classes
names:
  0: person
  1: cat
  2: dog
nc: 3

4、进行训练

上述步骤完成后，即可开始训练（我这里采用的是预训练模型yolov11s.pt）。

from ultralytics import YOLO

if __name__ == '__main__':
    modelpath = r'D:\Yolov11\ultralytics-main_Yolov11\yolov11-detect\yolo11s.pt'

    model = YOLO(modelpath)  # load a pretrained model (recommended for training)
    name = 'yolov11s_train'
    # Train the model
    model.train(data='data.yaml', epochs=1000, name=name)

训练过程：

训练完成最后得到两个模型分别是：best.pt、last.pt

5、验证模型

训练进程完毕以后可使用一些验证数据进行模型验证，查看模型的识别效果。

from ultralytics import YOLO
import glob
import os
# Load a model
model = YOLO(r'G:\Yolov11\ultralytics-main_Yolov11\yolov11-detect\yolo11s.pt')  # load an official model

# Predict with the model
imgpath = r'G:\Val_set'
imgs = glob.glob(os.path.join(imgpath,'*.jpg'))
for img in imgs:
    model.predict(img, save=True)

6、总结

至此，整个YOLOv11的训练预测阶段完成，与YOLOv8差不多。

欢迎各位批评指正。