快速开始

建议使用anaconda虚拟环境

Download Now | Anaconda

安装完后打开powershell 使用

conda init

初始化 anaconda

安装必须的系统构建工具

sudo apt update
sudo apt install -y cmake build-essential python3-dev
sudo apt install -y libgl1-mesa-glx libglib2.0-0 libsm6 libxext6 libxrender-dev

创建虚拟环境

conda create -n yolo python=3.13
#其实用python3.10更好，3.13太新了，很多库不兼容
conda create -n yolo python=3.10

激活虚拟环境

conda activate yolo

安装ultralytics

pip install torch ultralytics

pip install --upgrade pip

# 配置阿里云 HTTPS 镜像源（安全可靠）
pip config set global.index-url https://mirrors.aliyun.com/pypi/simple/

# 添加信任主机
pip config set global.trusted-host mirrors.aliyun.com

# 添加备用清华源
pip config set global.extra-index-url https://pypi.tuna.tsinghua.edu.cn/simple/

# 临时使用onnx官方源测试
pip install --no-cache-dir -i https://pypi.org/simple onnx --default-timeout=100

# 安装 ONNX 套件
pip install onnx onnxruntime onnx-simplifier

#如果一次安装三个卡住了，就分开试试
#或者把那个临时使用onnx官方源的onnx，改成另外两个也能装，看谁的网络的

下面测试是否能用

使用组建好的虚拟环境运行下面这段python代码

#进入python环境
python

from ultralytics import YOLO

# Create a new YOLO model from scratch
model = YOLO("yolo11n.yaml")

# Load a pretrained YOLO model (recommended for training)
model = YOLO("yolo11n.pt")

# Train the model using the 'coco8.yaml' dataset for 3 epochs
results = model.train(data="coco8.yaml", epochs=3)

# Evaluate the model's performance on the validation set
results = model.val()

# Perform object detection on an image using the model
results = model("https://ultralytics.com/images/bus.jpg")

# Export the model to ONNX format
success = model.export(format="onnx")

自定义数据训练模型

下面需要用本地安装

windows系统需要先下载一个WSL

然后在windows商店下一个ubuntu-22.04

然后安装conda

目标检测数据制作-YOLO格式

使用labelme制作数据

安装labelme

创建专属虚拟环境

conda create -n labeldata python=3.12

激活虚拟环境

conda activate labeldata

安装labelme

pip install labelme

coco数据集文件结构

项目根目录/datasets/coco8/
├── images/
│   ├── train/  # 存放训练图片
│   └── val/    # 存放验证图片
└── labels/
    ├── train/  # 存放训练标签（.txt）
    └── val/    # 存放验证标签

制作步骤

将要训练的数据图像按照8:2 的训练集：验证集的比例随机分割，分别存放在images/train和images/val中

1. 在对应虚拟环境被激活的命令窗口内输入labelme启动labelme

labelme

1. 进行相关设置（这里讲的是训练集设置，验证集的设置同理）

打开自动保存，关闭同时保存图像数据，更改输出目录为

 项目根目录/datasets/coco8/labels/train

1. 打开训练集图片目录开始打标签

根据需求选择目标检测框的形状，这里我们选择创建矩形

框选要检测的目标，再次点击确认框选

这时会弹出类别创建，根据需求设置类别名称（建议不要使用中文）

常用快捷键

1. 验证集的制作与训练集同理

按照上面的方法，选择验证集的文件夹

然后选择文件，进行画框

1. coco格式转yolo

由于labelme默认输出coco格式标签数据，需要转换为yolo格式才能进行训练

coco格式

yolo格式

使用下面这段代码进行转换

import json
import os



def json_to_yolo(input_file_path, output_directory, category_dict):
    data = json.load(open(input_file_path, encoding="utf-8"))
    image_width = data["imageWidth"]
    image_height = data["imageHeight"]
    
    yolo_format_content = ''
    for shape in data["shapes"]:
        # 归一化坐标并计算中心点、宽高
        [[x1, y1], [x2, y2]] = shape['points']
        x1, x2 = x1 / image_width, x2 / image_width
        y1, y2 = y1 / image_height, y2 / image_height
        cx = (x1 + x2) / 2
        cy = (y1 + y2) / 2
        width = abs(x2 - x1)
        height = abs(y2 - y1)
        
        # 生成YOLO格式行
        line = f"{category_dict[shape['label']]} {cx:.6f} {cy:.6f} {width:.6f} {height:.6f}\n"
        yolo_format_content += line
    
    # 生成TXT文件
    output_file_path = os.path.join(output_directory, os.path.basename(input_file_path).replace('.json', '.txt'))
    with open(output_file_path, 'w', encoding='utf-8') as file_handle:
        file_handle.write(yolo_format_content)

# 示例调用
category_dict = {'1': 0, '2': 1}  # 根据实际类别修改
input_directory = "datasets/coco_hr_e/labels copy/val"
output_directory = "datasets/coco_hr_e/labels/val"

if not os.path.exists(output_directory):
    os.makedirs(output_directory)

for json_file in os.listdir(input_directory):
    if json_file.endswith(".json"):
        json_to_yolo(os.path.join(input_directory, json_file), output_directory, category_dict)

建议将制作好的标签所在的文件夹重命名为labels copy 再创建一个labels文件夹

input_directory：coco格式标签根目录

output_directory： 输出目录

标签制作完和转换完后配置coco.yaml

# Ultralytics YOLO, AGPL-3.0 license
# COCO8 dataset (first 8 images from COCO train2017)
path: ../datasets/coco8  # 数据集根目录
train: images/train      # 训练集路径（相对path）
val: images/val          # 验证集路径
test:                    # 测试集路径（可选）

names:
  0: 0
  1: 1

names是从0开始的，后面是对应的标签名称

1. 开始训练

yolo可以在训练过程中自动调整超参数（如学习率、权重衰减等），没有较深的经验建议不设置超参数

from ultralytics import YOLO

model = YOLO("yolo11n.yaml") # 模型参数设置

model = YOLO("yolo11n.pt") # 使用那个模型进行微调

results = model.train(data="./coco8.yaml", epochs=500)

训练完成后在runs/detect/train 目录下找到训练告和保存好的权重。