提示：文章寫完后，目錄可以自動生成，如何生成可參考右邊的幫助文檔

---

前言

基于博主 F8000 的文章YOLOv11超詳細環境搭建以及模型訓練（GPU版本），
本文搭建了YOLOv11的基礎環境和模型，驗證《基于pycharm的YOLOv11模型訓練方法》。

一、前期準備

1.1 軟件環境配置

下載pycham與環境搭建，參考前言的博主文章

1.2 訓練集參考

較大，1.3G
百度網盤

二、訓練步驟

2.1 打開文件夾

2.2 打開文件

1.打開三個文件：date.yaml ； train.py ； detect.py
注：1.py是多余的可以刪除

2.3 data.yaml

1.右鍵“datasets”→點擊“復制路徑”；點擊“絕對路徑” 就是 復制 ， 復制到path

2.將“train images”的絕對路徑， 復制到 train中；“val”同理
注：# 在python 代表 注釋

3.打開子文件“data.yaml”（datasets內的），將 name 復制到主文件的“data”中

最終代碼

#路徑一定要用自己的，直接復制是沒用的
path: D:\Download\ultralytics-8.3.39\datasets
train: D:\Download\ultralytics-8.3.39\datasets\train\images
val: D:\Download\ultralytics-8.3.39\datasets\val\images
#test: C:\Users\HP\Desktop\ultralytics-8.3.39\rice_yolo\testnc: 5   
# nc是  name的個數，就是說 0-4 共有  5# Classes ['Blast', 'Blight', 'Brown Spot', 'Healthy', 'Tungro']
names:0: Blast1: Blight2: Brown Spot3: Healthy4: Tungro

三、train.py

1.打開 train.py，
-右鍵“yolo11.pt”→點擊“復制路徑”；點擊“來自內容根的路徑” ， 復制到path
-右鍵“data.yaml”（主文件的data，不是datasets里面的）→點擊“復制路徑”；點擊“來自內容根的路徑” ， 復制到data

model 為 選用的 算法和模擬環境
imgsz=640,    圖像大小 可先不管
epochs=5,  # 訓練輪數，3/5輪的嘗試就好，1輪需要1分鐘一定要用 GPU訓練 ，CPU特別慢
device=0,  # 使用的 GPU 設備編號，0 表示第一個 GPU，如果使用 CPU 則設為 'cpu'

2.配置 Python解釋器， 點擊 綠色的運行

四、最終結果

注：訓練速度較慢

all 為全部特征的平均精度Blast        Blight      Brown Spot                   Healthy Tungro      為 對應的五個特征識別的精度mAP50 那一列就是精度值

五、detect.py

1.打開 detect.py，找到最新的訓練結果文件夾“train12”，best.pt就是訓練好的模型，復制到detect.py中（使用 來自內容跟的路徑 ）
注：
復制的內容 /與原先的\不同，這是錯的，要手動修改
// 或者 \ 或者 \ 都可以
2.在最初的圖片集中，隨便選用一張，復制 （來自內容跟的路徑 ） ，注意 \ /的格式，點擊運行

3. 配置解釋器“yolov11”→ 運行，彈出檢測效果 0.87 的概率

雙擊該圖片可以查看原圖

六、 拓展 test.py

1.雙擊打開 test.py→運行→配置環境，運行

2.彈出軟件→點擊“模型選擇”→找到最新的訓練模型“best.pt”，打開

3.點擊“圖片檢測”→任意尋找一張圖片→打開

最終效果

總結

本文搭建了YOLOv11的基礎環境和模型，驗證《基于pycharm的YOLOv11模型訓練方法》。