一、前置条件与环境准备
在开始训练前，确保已完成以下准备《目标检测之YOLOV11自定义数据预处理------从原始标注到YOLO-OBB格式转换与验证》：
数据目录结构：
bash
yolov11/
├── datasets/
│ └── shrimp/
│ ├── images/
│ │ ├── train/ # 训练集图片
│ │ └── val/ # 验证集图片
│ └── labels/
│ ├── train/ # 训练集YOLO-OBB标注（.txt）
│ └── val/ # 验证集YOLO-OBB标注（.txt）
├── shrimp_obb.yaml # 训练配置文件
└── runs/ # 训练结果保存目录
└── obb/ # OBB任务结果二、训练配置文件shrimp_obb.yaml设置
配置文件定义了数据集路径、类别数等关键信息，shrimp_obb.yaml应包含以下内容：
bash
# 数据集基础信息（根据实际路径调整）
train: /datasets/shrimp/images/train # 训练集图片目录（需提前划分训练集）
val: /datasets/shrimp/images/val # 验证集图片目录（你代码中的val路径）
# 标签路径（YOLO自动匹配：与图片目录同级的labels目录，如images/train → labels/train）
# 转换后标签路径labels/val（与val图片目录同级）
# 类别信息（你提到只有1个类别）
nc: 1 # 类别数量（必须与转换后的class_index=0一致）
names: ["shrimp"] # 类别名称（与实际标注的类别一致）
# 可选：测试集路径（若有）
#test: /datasets/shrimp/images/test
# 以下为可选超参数（可在训练命令中覆盖，非必须写在yaml里）
# 超参数参考：https://docs.ultralytics.com/yolov5/training
# hsv_h: 0.015 # 色调增强系数
# hsv_s: 0.7 # 饱和度增强系数
# hsv_v: 0.4 # 明度增强系数
# flipud: 0.5 # 上下翻转概率（OBB任务慎用，可能改变旋转方向）三、训练命令与参数详解
1. 基础训练命令
使用YOLOv11-OBB模型（如yolo11n-obb.pt）启动训练，命令示例：
bash
yolo obb train \
data=shrimp_obb.yaml \
model=yolo11n-obb.pt \
epochs=300 \
imgsz=640 \
device=0,1 \
batch=128 \
project=runs/obb/train \
name=shrimp_exp \
plots=True \
verbose=True2. 关键参数解释
| 参数名 | 作用 | 示例值/说明 |
|---|---|---|
data |
指定训练配置文件（定义数据集路径、类别等） | shrimp_obb.yaml |
model |
预训练模型路径（OBB专用模型） | yolo11n-obb.pt（轻量级） |
epochs |
训练轮次（根据数据量调整，日志显示300轮收敛） | 300 |
imgsz |
输入图片尺寸（与数据集中图片分辨率匹配，日志为640） | 640 |
device |
训练设备（多GPU加速） | 0,1（使用2张显卡） |
batch |
每批次图片数（根据GPU显存调整，日志为128） | 128 |
project |
训练结果保存根目录（历史结果在runs/obb/train） |
runs/obb/train |
name |
当前实验名称（避免覆盖历史结果） | shrimp_exp（自定义） |
plots |
启用训练过程可视化（生成损失曲线、混淆矩阵等） | True（默认启用） |
verbose |
终端输出详细日志（显示每批次损失、学习率等） | True（调试时推荐） |
3. 结果曲线
四、训练过程监控
1. 实时日志查看
训练过程中，终端会输出每轮（Epoch）的损失值（box_loss、cls_loss、dfl_loss）和验证指标（mAP50、mAP50-95），如日志所示：
2. TensorBoard可视化
训练完成后，日志文件（events.out.tfevents.*）保存在runs/obb/train/shrimp_exp目录。通过以下命令启动TensorBoard查看损失曲线和mAP趋势：
bash
tensorboard --logdir runs/obb/train/shrimp_exp浏览器访问http://localhost:6006即可查看。
五、模型验证（Val）
训练完成后，使用验证集评估最佳模型（best.pt）的泛化能力，命令如下：
bash
yolo obb val \
model=runs/obb/train/shrimp_exp/weights/best.pt \
data=shrimp_obb.yaml \
imgsz=640 \
batch=128输出指标与训练日志中的mAP50、mAP50-95一致（日志显示mAP50-95=0.937）。
六、模型预测（Inference）
使用训练好的best.pt对新图片/视频进行预测，命令示例（隐藏类别名和置信度）：
bash
yolo obb predict \
model=runs/obb/train/shrimp_exp/weights/best.pt \
source=xxx.jpg \
imgsz=640 \
show_labels=False \
show_conf=False \
project=runs/obb/predict \
name=shrimp_pred关键预测参数
| 参数名 | 作用 | 示例值/说明 |
|---|---|---|
source |
预测源（图片/视频路径或摄像头ID） | 图片：/path/to/image.jpg |
show_labels |
是否显示类别名称（需求是隐藏） | False |
show_conf |
是否显示置信度分数（需求是隐藏） | False |
project/name |
预测结果保存目录（历史结果在runs/obb/predict） |
runs/obb/predict/shrimp_pred |
部分预测结果
七、常见问题与解决方案
| 问题现象 | 可能原因 | 解决方法 |
|---|---|---|
训练报错label not found |
标签文件与图片文件名不匹配（如图片是.png，标签是.txt但前缀不一致） |
确保images/train/xxx.jpg对应labels/train/xxx.txt（同名不同后缀） |
mAP远低于预期 |
数据增强参数不当（如rotate过大导致标注方向混乱） |
调整shrimp_obb.yaml中的rotate值（如从0.5降至0.3） |
| 预测框偏移原图目标 | 数据转换时坐标归一化错误（如图片尺寸读取失败） | 检查convert_to_yolo_obb.py中img.shape是否正确获取宽高（shape[1]是宽） |
八、总结
难以想象，一句像样的代码都没怎么写，就能完成了一个yolov11的训练和验证。
通过本文的步骤，已完成从数据格式转换→训练配置→模型训练→验证→预测的全流程。训练得到的best.pt可直接用于实际场景（如虾类检测），后续可通过调整超参数（如学习率、数据增强）进一步优化模型性能。
不过对比之前用yolov5-obb和现在的yolov11-obb，现在的结果比之前的好很多，无论是训练过程还是结果都有提升。