一、torch環境安裝

1.1 創建虛擬環境

conda create -n yolov11 python=3.11

1.2 啟動虛擬環境

conda activate yolov11

1.3 安裝pytorch

去官網尋找對應版本

官網：Previous PyTorch Versions | PyTorch

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

1.4 驗證cuda是否可用

python
import torch
torch.cuda.is_available()

二、yolo模型推理

2.1 下載yolo模型

去官網尋找對應版本

官網：ultralytics/ultralytics at v8.3.94

2.2 創建模型推理文件

在根目錄新建一個python文件，取名為：detect.py

# -*- 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 推理結果保存路徑

三、labelimg數據標注

3.1 安裝labelimg

pip install labelimg

3.2 解決浮點數報錯

labelimg 打框就閃退 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界面介紹

3.4 數據標注案例

四、dataset劃分

4.1 創建數據集劃分文件

在根目錄新建一個python文件，取名為：train_test_split.py

import os  
import shutil  
from sklearn.model_selection import train_test_split  # 設置參數  
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'  # 創建輸出文件夾  
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)  # 獲取標簽文件列表  
listdir = [i for i in os.listdir(txtpath) if 'txt' in i]  # 劃分數據集  
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)  # 定義文件復制函數  
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"復制文件時發生錯誤: {e}")  # 復制訓練集文件  
copy_files(train, imgpath, txtpath, output_train_img_folder, output_train_txt_folder)  # 復制驗證集文件  
copy_files(val, imgpath, txtpath, output_val_img_folder, output_val_txt_folder)  # 復制測試集文件  
copy_files(test, imgpath, txtpath, output_test_img_folder, output_test_txt_folder)  
print("數據集劃分完成！")

將數據集的圖像和標簽信息路徑輸入：

• 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模型訓練

5.1 創建模型訓練文件

在根目錄新建一個python文件，取名為：train.py

# -*- 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') # 加載預訓練權重,改進或者做對比實驗時候不建議打開，因為用預訓練模型整體精度沒有很明顯的提升  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 創建數據配置文件

訓練數據配置文件，在根目錄創建一個data.yaml文件

# 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 訓練結果展示

5.3.1 出現報錯：

訓練進程因 OpenMP 庫的初始化問題而終止，最終退出代碼為 3

日志里的錯誤信息 OMP: Error #15: Initializing libiomp5md.dll, but found libiomp5md.dll already initialized. 表明，程序嘗試多次初始化 OpenMP 運行時庫 libiomp5md.dll，這往往是因為多個 OpenMP 運行時庫被鏈接到程序里，可能會使性能下降或者產生錯誤的結果。

5.3.2 解決方案：

在train.py文件的開頭加入以下代碼

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

故當前train.py文件為：

# -*- 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')  # 加載預訓練權重,改進或者做對比實驗時候不建議打開，因為用預訓練模型整體精度沒有很明顯的提升  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,  )

5.3.4 成功訓練：