配置好python环境后，就可以使用YOLOv11了

1. 打开GitHub，下载源码

GitHub - ultralytics/ultralytics: Ultralytics YOLO11 🚀

2. 使用pycharm打开ultralytics项目

 新建一个train.py文件

import warnings
warnings.filterwarnings('ignore')
from ultralytics import YOLO
if __name__ == '__main__':
  model = YOLO('E:\\YOLOv11\\cfg\\models\\11\\yolo11n.yaml')
  model.load('E:\\ultralytics\\yolo11n.pt') #注释则不加载
  results = model.train(
    data='E:\\YOLO\\dataset\\road crack.v1i.yolov11\\data.yaml',  #数据集配置文件的路径
    epochs=200,  #训练轮次总数
    batch=16,  #批量大小，即单次输入多少图片训练
    imgsz=640,  #训练图像尺寸
    workers=8,  #加载数据的工作线程数
    device= 0,  #指定训练的计算设备，无nvidia显卡则改为 'cpu'
    optimizer='SGD',  #训练使用优化器，可选 auto,SGD,Adam,AdamW 等
    amp= True,  #True 或者 False, 解释为：自动混合精度(AMP) 训练
    cache=False  # True 在内存中缓存数据集图像，服务器推荐开启
)

• YOLO('yolo11n.yaml')​​：
  • 从 yolo11n.yaml 加载模型架构（定义网络结构）。
  • 如果只提供 .yaml，则从头开始训练（随机初始化权重）。
• ​​model.load('yolo11n.pt')​​：
  • 加载预训练权重（.pt 文件），用于​​迁移学习​​（微调已有模型）。
  • 如果注释掉这行，则完全从头训练。

上面这两个文件是源码自带的，只需要在按地址寻找

而data.yaml 文件需要自己写

train: E:\RoadCrack.v2i.yolov11\train\images  # train images (relative to 'path') 128 images
val: E:\RoadCrack.v2i.yolov11\valid\images  # val images (relative to 'path') 128 images
test: E:\RoadCrack.v2i.yolov11\test\images

nc: 1 #数据集的类别数量

# Classes
names: ['crack']

train：训练集图片的存放地址

val：验证集图片的存放地址

test：测试集图片的存放地址

nc：标签数量

names：标签名称

————————————————————————————————————

运行train.py，训练完成后，模型权重默认保存在 runs/train/exp/weights/best.pt

3. 结果查看

创建predict.py文件

from ultralytics import YOLO
# 加载训练好的模型，改为自己的路径
model = YOLO('runs\\detect\\train11\\weights\\best.pt')  #修改为训练好的路径
source = 'E:\\target_detection\\RoadCrack.v2i.yolov11\\test\\images\\26_jpg.rf.3a6c38a6ddf86acd619d02ea7ea1d0da.jpg' #修改为自己的图片路径及文件名
# 运行推理，并附加参数
model.predict(source, save=True)