一、前置條件與環境準備
在開始訓練前，確保已完成以下準備《目標檢測之YOLOV11自定義數據預處理——從原始標注到YOLO-OBB格式轉換與驗證》：
數據目錄結構：
yolov11/
├── datasets/
│ └── shrimp/
│ ├── images/
│ │ ├── train/ # 訓練集圖片
│ │ └── val/ # 驗證集圖片
│ └── labels/
│ ├── train/ # 訓練集YOLO-OBB標注（.txt）
│ └── val/ # 驗證集YOLO-OBB標注（.txt）
├── shrimp_obb.yaml # 訓練配置文件
└── runs/ # 訓練結果保存目錄└── obb/ # OBB任務結果
二、訓練配置文件shrimp_obb.yaml設置
配置文件定義了數據集路徑、類別數等關鍵信息，shrimp_obb.yaml應包含以下內容：
# 數據集基礎信息（根據實際路徑調整）
train: /datasets/shrimp/images/train # 訓練集圖片目錄（需提前劃分訓練集）
val: /datasets/shrimp/images/val # 驗證集圖片目錄（你代碼中的val路徑）# 標簽路徑（YOLO自動匹配：與圖片目錄同級的labels目錄，如images/train → labels/train）
# 轉換后標簽路徑labels/val（與val圖片目錄同級）# 類別信息（你提到只有1個類別）
nc: 1 # 類別數量（必須與轉換后的class_index=0一致）
names: ["shrimp"] # 類別名稱（與實際標注的類別一致）# 可選：測試集路徑（若有）
#test: /datasets/shrimp/images/test# 以下為可選超參數（可在訓練命令中覆蓋，非必須寫在yaml里）
# 超參數參考：https://docs.ultralytics.com/yolov5/training
# hsv_h: 0.015 # 色調增強系數
# hsv_s: 0.7 # 飽和度增強系數
# hsv_v: 0.4 # 明度增強系數
# flipud: 0.5 # 上下翻轉概率（OBB任務慎用，可能改變旋轉方向）
三、訓練命令與參數詳解
1. 基礎訓練命令
使用YOLOv11-OBB模型（如yolo11n-obb.pt）啟動訓練，命令示例：
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=True
2. 關鍵參數解釋
| 參數名 | 作用 | 示例值/說明 |
|---|---|---|
data | 指定訓練配置文件（定義數據集路徑、類別等） | shrimp_obb.yaml |
model | 預訓練模型路徑（OBB專用模型） | yolo11n-obb.pt（輕量級） |
epochs | 訓練輪次（根據數據量調整，日志顯示300輪收斂） | 300 |
imgsz | 輸入圖片尺寸（與數據集中圖片分辨率匹配，日志為640） | 640 |
device | 訓練設備（多GPU加速） | 0,1（使用2張顯卡） |
batch | 每批次圖片數（根據GPU顯存調整，日志為128） | 128 |
project | 訓練結果保存根目錄（歷史結果在runs/obb/train） | runs/obb/train |
name | 當前實驗名稱（避免覆蓋歷史結果） | shrimp_exp（自定義） |
plots | 啟用訓練過程可視化（生成損失曲線、混淆矩陣等） | True（默認啟用） |
verbose | 終端輸出詳細日志（顯示每批次損失、學習率等） | True（調試時推薦） |
3. 結果曲線
四、訓練過程監控
1. 實時日志查看
訓練過程中，終端會輸出每輪（Epoch）的損失值（box_loss、cls_loss、dfl_loss）和驗證指標（mAP50、mAP50-95），如日志所示：
2. TensorBoard可視化
訓練完成后，日志文件（events.out.tfevents.*）保存在runs/obb/train/shrimp_exp目錄。通過以下命令啟動TensorBoard查看損失曲線和mAP趨勢：
tensorboard --logdir runs/obb/train/shrimp_exp
瀏覽器訪問http://localhost:6006即可查看。
五、模型驗證（Val）
訓練完成后，使用驗證集評估最佳模型（best.pt）的泛化能力，命令如下：
yolo obb val \model=runs/obb/train/shrimp_exp/weights/best.pt \data=shrimp_obb.yaml \imgsz=640 \batch=128
輸出指標與訓練日志中的mAP50、mAP50-95一致（日志顯示mAP50-95=0.937）。
六、模型預測（Inference）
使用訓練好的best.pt對新圖片/視頻進行預測，命令示例（隱藏類別名和置信度）：
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
關鍵預測參數
| 參數名 | 作用 | 示例值/說明 |
|---|---|---|
source | 預測源（圖片/視頻路徑或攝像頭ID） | 圖片：/path/to/image.jpg |
show_labels | 是否顯示類別名稱（需求是隱藏） | False |
show_conf | 是否顯示置信度分數（需求是隱藏） | False |
project/name | 預測結果保存目錄（歷史結果在runs/obb/predict） | runs/obb/predict/shrimp_pred |
部分預測結果
七、常見問題與解決方案
| 問題現象 | 可能原因 | 解決方法 |
|---|---|---|
訓練報錯label not found | 標簽文件與圖片文件名不匹配（如圖片是.png，標簽是.txt但前綴不一致） | 確保images/train/xxx.jpg對應labels/train/xxx.txt（同名不同后綴） |
mAP遠低于預期 | 數據增強參數不當（如rotate過大導致標注方向混亂） | 調整shrimp_obb.yaml中的rotate值（如從0.5降至0.3） |
| 預測框偏移原圖目標 | 數據轉換時坐標歸一化錯誤（如圖片尺寸讀取失敗） | 檢查convert_to_yolo_obb.py中img.shape是否正確獲取寬高（shape[1]是寬） |
八、總結
難以想象，一句像樣的代碼都沒怎么寫，就能完成了一個yolov11的訓練和驗證。
通過本文的步驟，已完成從數據格式轉換→訓練配置→模型訓練→驗證→預測的全流程。訓練得到的best.pt可直接用于實際場景（如蝦類檢測），后續可通過調整超參數（如學習率、數據增強）進一步優化模型性能。
不過對比之前用yolov5-obb和現在的yolov11-obb，現在的結果比之前的好很多，無論是訓練過程還是結果都有提升。
