一、项目概述

本项目基于YOLO v11深度学习模型，实现蚊子的实时检测与识别。本文旨在演示数据训练过程。

二、数据集获取与准备

数据集获取

数据集已经上传到 yolov11蚊子检测数据集，连接地址

https://download.csdn.net/download/m0_67097444/92916784

数据集格式

YOLO格式数据集结构

YOLO标注格式说明：

每行格式：class_id center_x center_y width height

坐标为归一化值（0-1）

0 0.5 0.5 0.3 0.4

三、YOLO v11模型训练训练配置文件

创建data.yaml配置文件：

train: D:/yolo-v12/yolov12-main/datasets/train/images
val: D:/yolo-v12/yolov12-main/datasets/valid/images
test: D:/yolo-v12/yolov12-main/datasets/test/images

nc: 1 # Number of classes
names: $'mosquito'$

训练脚本

创建train.py训练脚本：

复制代码

from ultralytics import YOLO



model = YOLO('ultralytics/cfg/models/v12/yolov12.yaml')  # 加载预训练模型

model.load('D:/yolo-v12/model/yolov12n.pt')



results = model.train(

    data='datasets/data.yaml',

    # epochs=10,

    # imgsz=640,

    # batch=16,

    # #device=0,  # 使用GPU 0

    # device='cpu',  # 使用GPU 0

    # optimizer='SGD',

    # lr0=0.001)

    epochs=10,  #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

    scale=0.5,  # S:0.9; M:0.9; L:0.9; X:0.9 #增益因子缩放图像，模拟物体与摄像机的不同距离。

    mosaic=1.0,  #默认值

    mixup=0.0,  # S:0.05; M:0.15; L:0.15; X:0.2  #默认值

    copy_paste=0.1,  # S:0.15; M:0.4; L:0.5; X:0.6  #分割标签 进行复制和粘贴

    device= 'cpu',  #指定训练的计算设备，无nvidia显卡则改为 'cpu'

    #以下为我添加的一些参数

    optimizer='SGD',  #训练使用优化器，可选 auto,SGD,Adam,AdamW 等

    workers=8,  #加载数据的工作线程数

    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

)

训练过程

四、训练完成后，结果保存在best.pt中

五、数据集已经上传到 yolov11蚊子检测数据集，连接地址：https://download.csdn.net/download/m0_67097444/92916784