怎么联网访问自己做的网站,百度百科创建,完整的社群营销方案,企业数字展厅设计文章目录 前言一、YOLOv11模型结构图二、环境搭建三、构建数据集四、修改配置文件①数据集文件配置②模型文件配置③训练文件配置 五、模型训练和测试模型训练模型验证模型推理 总结 前言
提示#xff1a;本文是YOLOv11训练自己数据集的记录教程#xff0c;需要大家在本地已… 文章目录 前言一、YOLOv11模型结构图二、环境搭建三、构建数据集四、修改配置文件①数据集文件配置②模型文件配置③训练文件配置 五、模型训练和测试模型训练模型验证模型推理 总结 前言
提示本文是YOLOv11训练自己数据集的记录教程需要大家在本地已配置好CUDA,cuDNN等环境没配置的小伙伴可以查看我的往期博客在Windows10上配置CUDA环境教程
2024年9月30日YOLOv11是Ultralytics最新发布的计算机视觉模型。支持多种任务包括目标检测、实例分割、图像分类、姿态估计、有向目标检测以及物体跟踪等本文主要讲述其检测任务的模型搭建训练流程。 代码地址https://github.com/ultralytics/ultralytics 一、YOLOv11模型结构图 二、环境搭建
在配置好CUDA环境并且获取到YOLOv11源码后建议新建一个虚拟环境专门用于YOLOv11模型的训练。将YOLOv11加载到环境后安装剩余的包。在运行测试过程中依次安装缺少的包
pip install ...三、构建数据集
YOLOv11模型的训练需要原图像及对应的YOLO格式标签还未制作标签的可以参考我这篇文章LabelImg安装与使用教程。
我的原始数据存放在根目录的data文件夹新建的下里面包含图像和标签。 标签内的格式如下 具体格式为 class_id x y w h分别代表物体类别标记框中心点的横纵坐标(x, y)标记框宽高的大小(w, h)且都是归一化后的值图片左上角为坐标原点。
将原本数据集按照811的比例划分成训练集、验证集和测试集三类划分代码如下。
# 将图片和标注数据按比例切分为 训练集和测试集
import shutil
import random
import os# 原始路径
image_original_path data/images/
label_original_path data/labels/cur_path os.getcwd()
# 训练集路径
train_image_path os.path.join(cur_path, datasets/images/train/)
train_label_path os.path.join(cur_path, datasets/labels/train/)# 验证集路径
val_image_path os.path.join(cur_path, datasets/images/val/)
val_label_path os.path.join(cur_path, datasets/labels/val/)# 测试集路径
test_image_path os.path.join(cur_path, datasets/images/test/)
test_label_path os.path.join(cur_path, datasets/labels/test/)# 训练集目录
list_train os.path.join(cur_path, datasets/train.txt)
list_val os.path.join(cur_path, datasets/val.txt)
list_test os.path.join(cur_path, datasets/test.txt)train_percent 0.8
val_percent 0.1
test_percent 0.1def del_file(path):for i in os.listdir(path):file_data path \\ ios.remove(file_data)def mkdir():if not os.path.exists(train_image_path):os.makedirs(train_image_path)else:del_file(train_image_path)if not os.path.exists(train_label_path):os.makedirs(train_label_path)else:del_file(train_label_path)if not os.path.exists(val_image_path):os.makedirs(val_image_path)else:del_file(val_image_path)if not os.path.exists(val_label_path):os.makedirs(val_label_path)else:del_file(val_label_path)if not os.path.exists(test_image_path):os.makedirs(test_image_path)else:del_file(test_image_path)if not os.path.exists(test_label_path):os.makedirs(test_label_path)else:del_file(test_label_path)def clearfile():if os.path.exists(list_train):os.remove(list_train)if os.path.exists(list_val):os.remove(list_val)if os.path.exists(list_test):os.remove(list_test)def main():mkdir()clearfile()file_train open(list_train, w)file_val open(list_val, w)file_test open(list_test, w)total_txt os.listdir(label_original_path)num_txt len(total_txt)list_all_txt range(num_txt)num_train int(num_txt * train_percent)num_val int(num_txt * val_percent)num_test num_txt - num_train - num_valtrain random.sample(list_all_txt, num_train)# train从list_all_txt取出num_train个元素# 所以list_all_txt列表只剩下了这些元素val_test [i for i in list_all_txt if not i in train]# 再从val_test取出num_val个元素val_test剩下的元素就是testval random.sample(val_test, num_val)print(训练集数目{}, 验证集数目{}, 测试集数目{}.format(len(train), len(val), len(val_test) - len(val)))for i in list_all_txt:name total_txt[i][:-4]srcImage image_original_path name .jpgsrcLabel label_original_path name .txtif i in train:dst_train_Image train_image_path name .jpgdst_train_Label train_label_path name .txtshutil.copyfile(srcImage, dst_train_Image)shutil.copyfile(srcLabel, dst_train_Label)file_train.write(dst_train_Image \n)elif i in val:dst_val_Image val_image_path name .jpgdst_val_Label val_label_path name .txtshutil.copyfile(srcImage, dst_val_Image)shutil.copyfile(srcLabel, dst_val_Label)file_val.write(dst_val_Image \n)else:dst_test_Image test_image_path name .jpgdst_test_Label test_label_path name .txtshutil.copyfile(srcImage, dst_test_Image)shutil.copyfile(srcLabel, dst_test_Label)file_test.write(dst_test_Image \n)file_train.close()file_val.close()file_test.close()if __name__ __main__:main()划分完成后将会在datasets文件夹下生成划分好的文件其中images为划分后的图像文件里面包含用于train、val、test的图像已经划分完成labels文件夹中包含划分后的标签文件已经划分完成里面包含用于train、val、test的标签train.tet、val.txt、test.txt中记录了各自的图像路径。 在训练过程中也是主要使用这三个txt文件进行数据的索引。
四、修改配置文件
①数据集文件配置
数据集划分完成后在根目录文件夹下新建data.yaml文件。用于指明数据集路径和类别我这边只有一个类别只留了一个多类别的在name内加上类别名即可。data.yaml中的内容为
path: ../datasets # 数据集所在路径
train: train.txt # 数据集路径下的train.txt
val: val.txt # 数据集路径下的val.txt
test: test.txt # 数据集路径下的test.txt# Classes
names:0: wave②模型文件配置
在ultralytics/cfg/models/v11文件夹下存放的是YOLOv11的各个版本的模型配置文件检测的类别是coco数据的80类。在训练自己数据集的时候只需要将其中的类别数修改成自己的大小。在根目录文件夹下新建yolov11.yaml文件此处以ultralytics/cfg/models/v11文件夹中的yolov11.yaml文件中的模型为例将其中的内容复制到根目录的yolov11.yaml文件中 并将nc: 1 # number of classes 修改类别数 修改成自己的类别数如下 # Ultralytics YOLO , AGPL-3.0 license
# YOLO11 object detection model with P3-P5 outputs. For Usage examples see https://docs.ultralytics.com/tasks/detect# Parameters
nc: 1 # number of classes
scales: # model compound scaling constants, i.e. modelyolo11n.yaml will call yolo11.yaml with scale n# [depth, width, max_channels]n: [0.50, 0.25, 1024] # summary: 319 layers, 2624080 parameters, 2624064 gradients, 6.6 GFLOPss: [0.50, 0.50, 1024] # summary: 319 layers, 9458752 parameters, 9458736 gradients, 21.7 GFLOPsm: [0.50, 1.00, 512] # summary: 409 layers, 20114688 parameters, 20114672 gradients, 68.5 GFLOPsl: [1.00, 1.00, 512] # summary: 631 layers, 25372160 parameters, 25372144 gradients, 87.6 GFLOPsx: [1.00, 1.50, 512] # summary: 631 layers, 56966176 parameters, 56966160 gradients, 196.0 GFLOPs# YOLO11n backbone
backbone:# [from, repeats, module, args]- [-1, 1, Conv, [64, 3, 2]] # 0-P1/2- [-1, 1, Conv, [128, 3, 2]] # 1-P2/4- [-1, 2, C3k2, [256, False, 0.25]]- [-1, 1, Conv, [256, 3, 2]] # 3-P3/8- [-1, 2, C3k2, [512, False, 0.25]]- [-1, 1, Conv, [512, 3, 2]] # 5-P4/16- [-1, 2, C3k2, [512, True]]- [-1, 1, Conv, [1024, 3, 2]] # 7-P5/32- [-1, 2, C3k2, [1024, True]]- [-1, 1, SPPF, [1024, 5]] # 9- [-1, 2, C2PSA, [1024]] # 10# YOLO11n head
head:- [-1, 1, nn.Upsample, [None, 2, nearest]]- [[-1, 6], 1, Concat, [1]] # cat backbone P4- [-1, 2, C3k2, [512, False]] # 13- [-1, 1, nn.Upsample, [None, 2, nearest]]- [[-1, 4], 1, Concat, [1]] # cat backbone P3- [-1, 2, C3k2, [256, False]] # 16 (P3/8-small)- [-1, 1, Conv, [256, 3, 2]]- [[-1, 13], 1, Concat, [1]] # cat head P4- [-1, 2, C3k2, [512, False]] # 19 (P4/16-medium)- [-1, 1, Conv, [512, 3, 2]]- [[-1, 10], 1, Concat, [1]] # cat head P5- [-1, 2, C3k2, [1024, True]] # 22 (P5/32-large)- [[16, 19, 22], 1, Detect, [nc]] # Detect(P3, P4, P5)
修改完成后模型文件就配置好啦。
③训练文件配置
YOLOv11的超参数配置在ultralytics/cfg文件夹下的default.yaml文件中 在模型训练中比较重要的参数是model、data、epochs、batch、imgsz、device以及workers。 model表示训练的模型结构。 data是配置数据集文件的路径用于指定自己的数据集yaml文件。 epochs指训练的轮次默认是100次只要模型能收敛即可。 batch是表示一次性将多少张图片放在一起训练越大训练的越快如果设置的太大会报OOM错误我这边在default中设置16表示一次训练16张图像。设置的大小为2的幂次1为2的0次16为2的4次。 imgsz表示送入训练的图像大小会统一进行缩放。要求是32的整数倍尽量和图像本身大小一致。 device指训练运行的设备。该参数指定了模型训练所使用的设备例如使用 GPU 运行可以指定为device0或者使用多个 GPU 运行可以指定为 device0,1,2,3如果没有可用的 GPU可以指定为 devicecpu 使用 CPU 进行训练。 workers是指数据装载时cpu所使用的线程数默认为8过高时会报错[WinError 1455] 页面文件太小无法完成操作此时就只能将workers调成0了。
模型训练的相关基本参数就是这些啦其余的参数可以等到后期训练完成进行调参时再详细了解。
五、模型训练和测试
YOLOv11在训练和测试过程中具体的参数信息可在ultralytics/yolo/cfg/default.yaml路径下找到。
模型训练
在根目录新建train.py输入以下代码
from ultralytics import YOLOif __name__ __main__:model YOLO(ryolov11m.yaml) # 此处以 m 为例只需写yolov11m即可定位到m模型model.train(datardata.yaml,imgsz640,epochs100,single_clsTrue, batch16,workers10,device0,)训练情况 模型验证
在根目录新建val.py输入以下代码
import warnings
warnings.filterwarnings(ignore)
from ultralytics import YOLOif __name__ __main__:model YOLO(runs/train/exp/weights/best.pt)model.val(datadata.yaml,imgsz640,batch16,splittest,workers10,device0,)
在验证阶段mode模式为验证modeval模型使用训练完成的权重文件runs/train/exp/weights/best.ptbest.pt就是训练完成后的最佳权重。
验证结果 模型推理
在根目录新建detect.py输入以下代码
import warnings
warnings.filterwarnings(ignore)
from ultralytics import YOLOif __name__ __main__:model YOLO(runs/train/exp/weights/best.pt)model.predict(sourceimages,imgsz640,device0,)
在推理阶段mode模式为预测mode predict模型使用训练完成的权重文件runs/train/exp/weights/best.ptsource表示需要预测的图像文件路径images中存放了准备预测的图像。 总结
以上就是YOLOv11训练自己数据集的全部过程啦欢迎大家在评论区交流~
