【YOLOv11】目标检测任务-实操过程

一、torch环境安装
- [1.1 创建虚拟环境](#1.1 创建虚拟环境)
- [1.2 启动虚拟环境](#1.2 启动虚拟环境)
- [1.3 安装pytorch](#1.3 安装pytorch)
- [1.4 验证cuda是否可用](#1.4 验证cuda是否可用)
二、yolo模型推理
- [2.1 下载yolo模型](#2.1 下载yolo模型)
- [2.2 创建模型推理文件](#2.2 创建模型推理文件)
- [2.3 推理结果保存路径](#2.3 推理结果保存路径)
三、labelimg数据标注
- [3.1 安装labelimg](#3.1 安装labelimg)
- [3.2 解决浮点数报错](#3.2 解决浮点数报错)
- [3.3 labelimg UI界面介绍](#3.3 labelimg UI界面介绍)
- [3.4 数据标注案例](#3.4 数据标注案例)
四、dataset划分
- [4.1 创建数据集划分文件](#4.1 创建数据集划分文件)
五、yolo模型训练
- [5.1 创建模型训练文件](#5.1 创建模型训练文件)
- [5.2 创建数据配置文件](#5.2 创建数据配置文件)
- [5.3 训练结果展示](#5.3 训练结果展示)
- - [5.3.1 出现报错：](#5.3.1 出现报错：)
  - [5.3.2 解决方案：](#5.3.2 解决方案：)
  - [5.3.4 成功训练：](#5.3.4 成功训练：)

一、torch环境安装

1.1 创建虚拟环境

BASH 复制代码

conda create -n yolov11 python=3.11

1.2 启动虚拟环境

BASH 复制代码

conda activate yolov11

1.3 安装pytorch

去官网寻找对应版本

官网：Previous PyTorch Versions | PyTorch

BASH 复制代码

conda install pytorch==2.5.1 torchvision==0.20.1 torchaudio==2.5.1 pytorch-cuda=12.4 -c pytorch -c nvidia

1.4 验证cuda是否可用

BASH 复制代码

python
import torch
torch.cuda.is_available()

二、yolo模型推理

2.1 下载yolo模型

去官网寻找对应版本

官网：ultralytics/ultralytics at v8.3.94

2.2 创建模型推理文件

在根目录新建一个python文件，取名为：detect.py

PYTHON 复制代码

# -*- coding: utf-8 -*-  
"""  
@Auth ： HP-Succinum@File ：detect.py  
@IDE ：PyCharm  
"""  
import warnings  
warnings.filterwarnings('ignore')  
from ultralytics import YOLO  
  
if __name__ == '__main__':  
  
    # Load a model  
    model = YOLO(model=r'E:\yolo\ultralytics-8.3.94\runs\train\exp4\weights\best.pt')  
    model.predict(source=r'E:\yolo\ultralytics-8.3.94\dataset\Cat_Dataset\images\train\coffee-cat.jpg',  
                  save=True,  
                  show=True,  
                  )

2.3 推理结果保存路径

三、labelimg数据标注

3.1 安装labelimg

PYTHON 复制代码

pip install labelimg

3.2 解决浮点数报错

labelimg 打框就闪退 TypeError: setValue(self, int): argument 1 has unexpected type 'float'_in scrollrequest bar.setvalue(bar.value() + bar.si-CSDN博客

3.3 labelimg UI界面介绍

3.4 数据标注案例

四、dataset划分

4.1 创建数据集划分文件

在根目录新建一个python文件，取名为：train_test_split.py

PYTHON 复制代码

import os  
import shutil  
from sklearn.model_selection import train_test_split  
  
# 设置参数  
val_size = 0.2  
test_size = 0.2  
postfix = 'jpg'  
imgpath = r'E:\yolo\ultralytics-8.3.94\dataset\Cat_Dataset\images'  
txtpath = r'E:\yolo\ultralytics-8.3.94\dataset\Cat_Dataset\labels'  
  
output_train_img_folder = r'E:\yolo\ultralytics-8.3.94\dataset\Cat_Dataset\images/train'  
output_val_img_folder = r'E:\yolo\ultralytics-8.3.94\dataset\Cat_Dataset\images/val'  
output_test_img_folder = r'E:\yolo\ultralytics-8.3.94\dataset\Cat_Dataset\images/test'  
output_train_txt_folder = r'E:\yolo\ultralytics-8.3.94\dataset\Cat_Dataset\labels/train'  
output_val_txt_folder = r'E:\yolo\ultralytics-8.3.94\dataset\Cat_Dataset\labels/val'  
output_test_txt_folder = r'E:\yolo\ultralytics-8.3.94\dataset\Cat_Dataset\labels/test'  
  
# 创建输出文件夹  
os.makedirs(output_train_img_folder, exist_ok=True)  
os.makedirs(output_val_img_folder, exist_ok=True)  
os.makedirs(output_test_img_folder, exist_ok=True)  
os.makedirs(output_train_txt_folder, exist_ok=True)  
os.makedirs(output_val_txt_folder, exist_ok=True)  
os.makedirs(output_test_txt_folder, exist_ok=True)  
  
# 获取标签文件列表  
listdir = [i for i in os.listdir(txtpath) if 'txt' in i]  
  
# 划分数据集  
train_val, test = train_test_split(listdir, test_size=test_size, shuffle=True, random_state=0)  
train, val = train_test_split(train_val, test_size=val_size / (1 - test_size), shuffle=True, random_state=0)  
  
  
# 定义文件复制函数  
def copy_files(file_list, img_src_folder, txt_src_folder, img_dst_folder, txt_dst_folder):  
    for i in file_list:  
        try:  
            img_source_path = os.path.join(img_src_folder, '{}.{}'.format(i[:-4], postfix))  
            txt_source_path = os.path.join(txt_src_folder, i)  
            img_destination_path = os.path.join(img_dst_folder, '{}.{}'.format(i[:-4], postfix))  
            txt_destination_path = os.path.join(txt_dst_folder, i)  
            shutil.copy(img_source_path, img_destination_path)  
            shutil.copy(txt_source_path, txt_destination_path)  
        except FileNotFoundError:  
            print(f"文件 {img_source_path} 或 {txt_source_path} 未找到。")  
        except Exception as e:  
            print(f"复制文件时发生错误: {e}")  
  
  
# 复制训练集文件  
copy_files(train, imgpath, txtpath, output_train_img_folder, output_train_txt_folder)  
  
# 复制验证集文件  
copy_files(val, imgpath, txtpath, output_val_img_folder, output_val_txt_folder)  
  
# 复制测试集文件  
copy_files(test, imgpath, txtpath, output_test_img_folder, output_test_txt_folder)  
print("数据集划分完成！")

将数据集的图像和标签信息路径输入：

imgpath = r'E:\yolo\ultralytics-8.3.94\dataset\Cat_Dataset\images'
txtpath = r'E:\yolo\ultralytics-8.3.94\dataset\Cat_Dataset\labels'

五、yolo模型训练

5.1 创建模型训练文件

在根目录新建一个python文件，取名为：train.py

PYTHON 复制代码

# -*- coding: utf-8 -*-  
"""  
@Auth ： HP-Succinum
@File ：detect.py  
@IDE ：PyCharm  
"""  
  
import warnings  
warnings.filterwarnings('ignore')  
from ultralytics import YOLO  
  
if __name__ == '__main__':  
    # model.load('yolo11n.pt') 
	# 加载预训练权重,改进或者做对比实验时候不建议打开，因为用预训练模型整体精度没有很明显的提升  
    model = YOLO(model=r'E:\yolo\ultralytics-8.3.94\ultralytics\cfg\models\11\yolo11.yaml')  
    model.train(data=r'data.yaml',  
                imgsz=640,  
                epochs=50,  
                batch=4,  
                workers=0,  
                device='',  
                optimizer='SGD',  
                close_mosaic=10,  
                resume=False,  
                project='runs/train',  
                name='exp',  
                single_cls=False,  
                cache=False,  
                )

5.2 创建数据配置文件

训练数据配置文件，在根目录创建一个data.yaml文件

YAML 复制代码

# train images (relative to 'path') 8 images  
train: E:\yolo\ultralytics-8.3.94\dataset\Cat_Dataset\images\train  

# val images (relative to 'path') 4 images  
val: E:\yolo\ultralytics-8.3.94\dataset\Cat_Dataset\images\val  

# number of class
nc: 1  
  
# class names  
names: ['cat']

5.3 训练结果展示

5.3.1 出现报错：

训练进程因 OpenMP 库的初始化问题而终止，最终退出代码为 3

日志里的错误信息 OMP: Error #15: Initializing libiomp5md.dll, but found libiomp5md.dll already initialized. 表明，程序尝试多次初始化 OpenMP 运行时库 libiomp5md.dll，这往往是因为多个 OpenMP 运行时库被链接到程序里，可能会使性能下降或者产生错误的结果。

5.3.2 解决方案：

在train.py文件的开头加入以下代码

PYTHON 复制代码

import os 
os.environ['KMP_DUPLICATE_LIB_OK'] = 'TRUE'

故当前train.py文件为：

PYTHON 复制代码

# -*- coding: utf-8 -*-  
"""  
@Auth ： HP-Succinum@File ：detect.py  
@IDE ：PyCharm   
"""  
  
import warnings  
warnings.filterwarnings('ignore')  
from ultralytics import YOLO  
import os  
os.environ['KMP_DUPLICATE_LIB_OK'] = 'TRUE'  
  
if __name__ == '__main__':  
  
    model = YOLO(model=r'E:\yolo\ultralytics-8.3.94\ultralytics\cfg\models\11\yolo11.yaml')  
    # 加载预训练权重,改进或者做对比实验时候不建议打开，因为用预训练模型整体精度没有很明显的提升  
    model.load('yolo11n.pt')  
    model.train(data=r'data.yaml',  
                imgsz=640,  
                epochs=50,  
                batch=4,  
                workers=0,  
                device='',  
                optimizer='SGD',  
                close_mosaic=10,  
                resume=False,  
                project='runs/train',  
                name='exp',  
                single_cls=False,  
                cache=False,  
                )

【YOLOv11】目标检测任务-实操过程

目录

一、torch环境安装

1.1 创建虚拟环境

1.2 启动虚拟环境

1.3 安装pytorch

1.4 验证cuda是否可用

二、yolo模型推理

2.1 下载yolo模型

2.2 创建模型推理文件

2.3 推理结果保存路径

三、labelimg数据标注

3.1 安装labelimg

3.2 解决浮点数报错

3.3 labelimg UI界面介绍

3.4 数据标注案例

四、dataset划分

4.1 创建数据集划分文件

五、yolo模型训练

5.1 创建模型训练文件

5.2 创建数据配置文件

5.3 训练结果展示

5.3.1 出现报错：

5.3.2 解决方案：

5.3.4 成功训练：