一、数据集介绍

本文数据集从网络下载得来，数据组织结构如下所示

images 存放所有将用于训练和验证的图片，示例如下

labels 为上述图片对应的YOLO格式的标签，文件名称要一致，示例如下：

lab.txt 记录标签索引对应的类别，示例如下

✅ YOLO 标签格式详解

YOLO 使用的是 归一化的边界框坐标（normalized coordinates），每一行代表一个目标对象，其格式如下：
<class_id> <center_x> <center_y> <width> <height>
各字段含义：

📌 示例解析

以第一张图的标签为例，表示：

1 0.5110876451953538 0.412385643912375 0.8975712777191129 0.733286418015482

类别编号为 1：对应 lab.txt 中定义的 ‘hard hat’，即这是一个“安全帽”。
边界框中心坐标：

• center_x = 0.5111 → 图像宽度方向约 51% 的位置（接近中间）
• center_y = 0.4124 → 图像高度方向约 41% 的位置（略偏上）

边界框尺寸：

• width = 0.8976 → 框的宽度占整张图像宽度的近 90%
• height = 0.7333 → 框的高度占整张图像高度的约 73%

👉 这意味着这个“安全帽”的边界框几乎覆盖了图像的中央区域。

二、模型训练

下载Yolov13源码，如下图所示

2.1 划分训练集和验证集

使用 split.py 脚本，设置保存路径，图片路径和标签路径

2.2 创建数据集yaml文件

如下图所示，创建 satety-hat.yaml(名称任意), 设置 train.txt 和 val.txt 的保存路径，以及names与lab.txt的索引一致

2.3 训练

打开 main.py 脚本，设置预训练模型路径，数据配置文件路径，以及默认的 ultralytics/cfg/default.yaml 参数配置文件。

设置完成之后，即可右键开始训练

训练过程中要注意的地方

• Arial.ttf ：刚开始训练的时候，模型会自动下载这个字体文件，但由于网络原因，有可能会下载失败，因此这里提供了这个文件，需要放到模型训练时候提示的路径中，笔者这里的路径为 /root/.config/yolov13
• default.yaml：刚开始训练的时候，可能会提示错误TypeError: ‘workspace=None’ is of invalid type str. Valid ‘workspace’ types are int (i.e. ‘workspace=0’) or float (i.e. ‘workspace=0.5’)
  这是因为在某些版本的 ultralytics 中，如果传入的是字符串 “None” 或者类型不对（比如不是 int 或 float），就会抛出类似错误，这时候按照提示修改workspace=0即可
  

三、预测

打开 predict.py，设置模型训练完成后的路径

以及在 ultralytics/cfg/default.yaml 修改 source 路径为预测图片路径，如下图所示

预测结果示例：



为了小伙伴们能够，更好的学习实践，本文已将训练代码和数据集打包上传，供小伙伴们学习。获取方式如下：
关注公众哈【小白深度学习之路】，发送【yolov13】即可。