YOLOv11 自定义目标检测模型训练

训练还是挺快的，比yolov5快不少~~

参考博客：https://blog.csdn.net/qq_67105081/article/details/143402823

样本标注

样本标注请参考前面的文章《YOLOv5 实例分割-Labelme标注与json文件转txt》

准备好标注的好的并且已经转换的txt文件，目录结构如下：

# jpg图片目录
ultralytics-main\datasets\coco128\images\train2017

# txt文件目录
ultralytics-main\datasets\coco128\labels\train2017

我们训练的是目标检测，不是实例分割，所以需要修改如下文件：

修改文件：ultralytics-main\Ultralytics\cfg\datasets\coco128.yaml，其他的都可以屏蔽掉。

path: datasets/coco128 # dataset root dir
train: images/train2017 # train images (relative to 'path') 128 images
val: images/train2017 # val images (relative to 'path') 128 images
test: # test images (optional)

# Classes
names:
  0: person

修改文件：ultralytics-main\Ultralytics\cfg\models\11\yolo11.yaml，将nc改成你的模型数量，我这边就一个“person”，所以改成1就行了。

新建my_train.py文件，添加训练代码：

import warnings
warnings.filterwarnings('ignore')
from ultralytics import YOLO
if __name__ == '__main__':
  model = YOLO('ultralytics/cfg/models/11/yolo11.yaml')
  model.load('weights/yolo11n.pt')  #注释则不加载
  results = model.train(
    data='ultralytics/cfg/datasets/coco128.yaml',  #数据集配置文件的路径
    epochs=200,  #训练轮次总数
    batch=16,  #批量大小，即单次输入多少图片训练
    imgsz=640,  #训练图像尺寸
    workers=8,  #加载数据的工作线程数
    device= 0,  #指定训练的计算设备，无nvidia显卡则改为 'cpu'
    optimizer='SGD',  #训练使用优化器，可选 auto,SGD,Adam,AdamW 等
    amp= True,  #True 或者 False, 解释为：自动混合精度(AMP) 训练
    cache=False  # True 在内存中缓存数据集图像，服务器推荐开启
)

然后就运行上面代码进行训练了，训练结果如下：

注意：

        如果发现文件采集路径不对可以修改提示信息里面的settings.json文件，修改一下路径

修改如下：

训练结果如下：