小当网 绵阳网站建设深圳比较好的公司

小当网 绵阳网站建设,深圳比较好的公司,seo标题是什么,巴州建设局网站一、核心流程总览 plaintext 环境准备 → 数据准备#xff08;文件夹搭建图片划分#xff09; → labelImg标注#xff08;生成YOLO格式TXT#xff09; → 编写配置文件 → 模型训练 → 推理#xff08;单图/批量图/视频#xff09;核心目标#xff1a;基于自定义数据…一、核心流程总览plaintext环境准备 → 数据准备文件夹搭建图片划分 → labelImg标注生成YOLO格式TXT → 编写配置文件 → 模型训练 → 推理单图/批量图/视频核心目标基于自定义数据集如 hero/bing/dongwu 三类训练 YOLO11 模型实现目标检测。二、环境准备WindowsCPU/GPU1. Anaconda 环境创建bash运行# 1. 创建虚拟环境Python3.10/3.12均可 conda create -n YOLO11_test python3.12 # 2. 激活环境 conda activate YOLO11_test # 3. 安装ultralyticsYOLO11核心库 pip install ultralytics # 4. 验证安装 python -c from ultralytics import YOLO; print(安装成功)2. 环境适配说明CPU 环境无需额外配置安装后直接用GPU 环境需 NVIDIA 显卡需先装 CUDAcuDNN再装对应 PyTorch参考https://pytorch.org/。三、数据准备关键决定训练效果1. 文件夹结构搭建固定格式在工作目录如F:\shijue\YOLO11_test下创建mydataset文件夹结构如下plaintextmydataset/ ├── images/ # 存放所有图片 │ ├── train/ # 训练集图片建议占80%≥50张越多越好 │ └── val/ # 验证集图片建议占20%≥10张 └── labels/ # 存放标注后的TXT标签与images一一对应 ├── train/ # 训练集TXT标签和images/train图片同名 └── val/ # 验证集TXT标签和images/val图片同名2. 图片要求2. 标注操作3. 标注后校验格式JPG/PNG/BMP 均可避免中文 / 空格 / 特殊字符如img_001.jpg而非截图 1.jpg数量单类≥30 张多类每类≥20 张总数量≥50 张数量越多精度越高划分train:val≈4:1如 50 张 train10 张 val。四、标注环节labelImg 生成 YOLO 格式 TXT1. labelImg 下载与启动下载https://github.com/heartexlabs/labelImg/releases选 Windows 预编译版解压后双击labelImg.exe核心设置避免生成 XML左侧找到PascalVOC按钮 → 点击切换为YOLO格式点击Open Dir→ 选择mydataset/images/train先标注 train 集点击Change Save Dir→ 选择mydataset/labels/train标签保存路径勾选View → Auto Save Mode自动保存标签无需手动点保存。按W键调出标注框鼠标框选目标输入类别名如hero/bing/dongwu与后续配置文件一致点击OK按D键切换下一张图片重复标注标注完 train 集后同理标注 val 集切换Open Dir为images/valChange Save Dir为labels/val。检查labels/train/labels/val下是否为.txt文件而非.xml打开 TXT 文件格式必须为类别ID 归一化x_center y_center width height如0 0.45 0.52 0.18 0.32ID 从 0 开始数值 0-1若误生成 XML用 XML 转 TXT 脚本见附录批量转换。正常标志box_loss/cls_loss/dfl_loss逐步下降如 2.4→1.5→1.0警告处理no labels found仅影响验证指标不影响模型训练可忽略模型保存训练完成后在runs/detect/trainX/weights下生成best.pt最优和last.pt最后一轮。精度提升增加训练数据每类≥50 张覆盖不同角度 / 背景换更大模型yolo11s.pt/yolo11m.pt开启更强数据增强augmentTruehsv_h0.015等。速度提升降低imgsz如 480视频推理加vid_stride2隔帧推理GPU 训练 / 推理比 CPU 快 10-20 倍。五、编写配置文件dataset.yaml在F:\shijue\YOLO11_test目录下新建dataset.yaml内容如下需适配自己的类别yaml# 数据集根路径用/或\\避免\ path: F:/shijue/YOLO11_test/mydataset # 训练/验证集图片路径相对path train: images/train val: images/val # 若无val集可临时改为images/train # 类别配置核心 nc: 3 # 类别数量如hero/bing/dongwu为3 names: [hero, bing, dongwu] # 类别名称与标注一致ID对应0/1/2六、模型训练CPU/GPU 适配1. 训练脚本train_yolo11.pypython运行from ultralytics import YOLO import os # 切换工作目录 os.chdir(rF:\shijue\YOLO11_test) # 加载YOLO11模型n轻量版s标准版m/l/x更重精度更高 model YOLO(yolo11n.pt) # 启动训练CPU/GPU适配 results model.train( datarF:\shijue\YOLO11_test\dataset.yaml, # 配置文件绝对路径 epochs50, # 训练轮数建议≥30数据少可设20 batch2, # CPU设2/1GPU可设8/16 imgsz640, # 输入图片尺寸 devicecpu, # CPU填cpuGPU填0如多张GPU填0,1 patience10, # 早停10轮无提升则停止 augmentTrue, # 开启数据增强提升精度 valFalse, # 新手可先关闭验证避免标签匹配警告 workers0, # CPU设0避免多线程报错 saveTrue # 保存最优模型best.pt ) # 打印最优模型路径 best_model_path os.path.join(os.getcwd(), runs/detect/train/weights/best.pt) print(f训练完成最优模型路径{best_model_path})2. 运行训练bash运行conda activate YOLO11_test cd F:\shijue\YOLO11_test python train_yolo11.py3. 训练日志解读七、推理环节图片 / 视频1. 单张图片推理predict_single.pypython运行from ultralytics import YOLO import os os.chdir(rF:\shijue\YOLO11_test) # 加载训练好的模型替换为实际路径 model YOLO(rF:\shijue\YOLO11_test\runs\detect\train6\weights\best.pt) # 推理单张图片 test_img rF:\shijue\YOLO11_test\mydataset\images\val\img_001.jpg results model(test_img, conf0.2) # conf置信度阈值0.2-0.5 # 保存标注结果 results[0].save(single_result.jpg) # 打印检测结果 for box in results[0].boxes: cls_id int(box.cls[0]) cls_name [hero, bing, dongwu][cls_id] # 匹配类别名 print(f类别{cls_name}置信度{box.conf[0]:.2f})2. 批量图片推理predict_batch.pypython运行from ultralytics import YOLO import os # 配置参数 MODEL_PATH rF:\shijue\YOLO11_test\runs\detect\train6\weights\best.pt IMG_DIR rF:\shijue\YOLO11_test\mydataset\images\val # 待推理图片目录 SAVE_DIR rF:\shijue\YOLO11_test\batch_results CONF 0.2 CLASS_NAMES [hero, bing, dongwu] # 初始化 os.makedirs(SAVE_DIR, exist_okTrue) model YOLO(MODEL_PATH) # 遍历所有图片 for img_file in os.listdir(IMG_DIR): if img_file.lower().endswith((.jpg, .png)): img_path os.path.join(IMG_DIR, img_file) results model(img_path, confCONF) # 保存结果 save_path os.path.join(SAVE_DIR, img_file) results[0].save(save_path) print(f处理完成{img_file})3. 视频推理predict_video.pypython运行from ultralytics import YOLO import os # 配置参数 MODEL_PATH rF:\shijue\YOLO11_test\runs\detect\train6\weights\best.pt VIDEO_PATH rF:\shijue\YOLO11_test\mydataset\images\SVID_20210726_111258_1.mp4 SAVE_DIR rF:\shijue\YOLO11_test\video_results CONF 0.2 # 初始化 os.makedirs(SAVE_DIR, exist_okTrue) model YOLO(MODEL_PATH) # 视频推理CPU建议streamTrue逐帧处理 results model( sourceVIDEO_PATH, confCONF, devicecpu, streamTrue, # 避免内存溢出 saveTrue, # 保存标注视频 projectSAVE_DIR, namedetect, exist_okTrue, showFalse # CPU关闭实时预览卡顿 ) # 打印进度 frame_count 0 for r in results: frame_count 1 if frame_count % 10 0: print(f已处理{frame_count}帧) print(f视频推理完成结果保存在{SAVE_DIR}/detect)八、常见问题与解决方案问题现象原因解决方案no labels found警告验证集标签与图片不匹配 / 无 val 标签1. 训练时加valFalse2. 复制 train 标签到 val 目录3. 检查 TXT 文件名与图片一致显存 / 内存溢出batch 过大 / 未开 stream 推理1. CPU 设batch1/22. 视频推理加streamTrue3. 降低imgsz480推理无目标置信度阈值过高 / 模型未学到特征1. 降低conf0.12. 增加训练轮数epochs503. 补充训练数据labelImg 生成 XML 而非 TXT未切换 YOLO 格式左侧PascalVOC按钮切换为YOLO格式device0报错无 GPU/CPU 版本 PyTorch改devicecpu九、优化建议附录XML 转 YOLO TXT 脚本应急用python运行import xml.etree.ElementTree as ET import os import cv2 # 配置 CLASS_NAMES [hero, bing, dongwu] XML_DIR rF:\shijue\YOLO11_test\mydataset\labels\train IMG_DIR rF:\shijue\YOLO11_test\mydataset\images\train def xml2yolo(xml_path): tree ET.parse(xml_path) root tree.getroot() img_name root.find(filename).text img cv2.imread(os.path.join(IMG_DIR, img_name)) h, w img.shape[:2] lines [] for obj in root.findall(object): cls obj.find(name).text if cls not in CLASS_NAMES: continue cls_id CLASS_NAMES.index(cls) bbox obj.find(bndbox) x1, y1, x2, y2 float(bbox.find(xmin).text), float(bbox.find(ymin).text), float(bbox.find(xmax).text), float(bbox.find(ymax).text) # 归一化 x_center (x1 x2) / 2 / w y_center (y1 y2) / 2 / h width (x2 - x1) / w height (y2 - y1) / h lines.append(f{cls_id} {x_center:.6f} {y_center:.6f} {width:.6f} {height:.6f}) # 保存TXT txt_path xml_path.replace(.xml, .txt) with open(txt_path, w, encodingutf-8) as f: f.write(\n.join(lines)) # 批量转换 for file in os.listdir(XML_DIR): if file.endswith(.xml): xml2yolo(os.path.join(XML_DIR, file)) print(转换完成)