企业官网建设流程全解析

建设银行网站维护电话,做食品研发都有哪些网站,动漫制作专业电脑推荐,成为网站开发工程师YOLO11数据集制作全流程#xff0c;简单易懂 你是不是也遇到过这样的问题#xff1a;想用YOLO11做目标检测#xff0c;却卡在第一步——数据集怎么准备#xff1f; 标注工具不会用、文件结构理不清、标签格式总出错、训练前还要手动划分训练集验证集……一堆步骤让人望而却…YOLO11数据集制作全流程简单易懂你是不是也遇到过这样的问题想用YOLO11做目标检测却卡在第一步——数据集怎么准备标注工具不会用、文件结构理不清、标签格式总出错、训练前还要手动划分训练集验证集……一堆步骤让人望而却步。别担心。这篇文章不讲理论、不堆参数只带你从零开始亲手做出一个能直接喂给YOLO11训练的可用数据集。全程用最直白的语言、最贴近实际的操作顺序连Labelme怎么画框、json怎么转txt、文件夹怎么建都手把手说明白。哪怕你没碰过标注工具也能照着做完。我们用的是真实可用的YOLO11镜像环境ultralytics-8.3.9所有路径、脚本、配置都来自镜像内预置结构无需额外安装或修改路径。文末还会告诉你怎么把做好的数据集立刻跑起来训练——真正实现“做完就能用”。1. 先搞清楚YOLO11要什么样的数据YOLO系列模型对数据格式有明确要求不是随便放几张图几个标签就行。它需要三样东西图片文件JPG或PNG格式放在统一目录下标签文件与图片同名的.txt文件每行代表一个目标格式为类别序号 中心x坐标(归一化) 中心y坐标(归一化) 宽度(归一化) 高度(归一化)数据配置文件一个YAML文件告诉模型“图在哪”“标签在哪”“有几个类别”这三者缺一不可但别怕——我们接下来就一步步把它们全配齐。小贴士所谓“归一化”就是把像素值除以图片宽高。比如一张640×480的图目标框左上角是(100, 80)宽高是200×150那么中心点就是(100100, 8075) (200, 155)归一化后就是(200/640, 155/480) ≈ (0.3125, 0.3229)宽高归一化为(200/640, 150/480) ≈ (0.3125, 0.3125)。这些计算不用你手算后面脚本自动完成。2. 建立清晰的数据文件夹结构先在项目里搭好“家”。YOLO11镜像中已预置了标准路径我们只需按约定把文件放对位置。进入项目根目录cd ultralytics-8.3.9/然后创建以下层级用mkdir -p一次性建好mkdir -p resources/images/det/json mkdir -p resources/images/det/datasets/images mkdir -p resources/images/det/datasets/labels mkdir -p resources/config/data这个结构的意思是json/存放你用Labelme标注生成的原始.json文件含图片路径和框坐标datasets/images/存放所有原始图片训练验证用的图都放这里datasets/labels/存放转换后的.txt标签文件YOLO11真正读的格式config/data/存放数据集配置文件告诉模型去哪里找图和标签关键提醒所有原始图片必须同时放在json/和datasets/images/两个文件夹里。因为Labelme需要读图来标注而YOLO11训练时只认datasets/images/下的图。这是新手最容易漏的一步。3. 用Labelme标出你的第一个目标框Labelme是开源、免费、界面清爽的标注工具YOLO11镜像里已预装直接启动即可。3.1 启动Labelme并加载图片在终端中进入标注目录cd resources/images/det/json labelme软件启动后点击左上角Open Dir→ 选择resources/images/det/json文件夹 → 点击任意一张图开始标注。3.2 画框 命名类别左键按住拖动画一个矩形框圈住目标比如一个人、一辆车松开鼠标后弹出对话框在Label输入框里填类别名person或car注意大小写和拼写必须和后续配置文件完全一致点击OK框就标好了继续标下一个目标直到这张图上所有目标都框完3.3 保存为JSON标完一张图点击顶部菜单Save→ 保存为同名.json文件如img001.jpg对应img001.json。Labelme会自动把框的坐标、类别、图片路径等信息存进JSON里我们不需要看内容只要确保它存在就行。实操建议先拿5张图练手人车各几例确保你会画框、会命名、会保存。不要一上来就标100张——先跑通流程更重要。4. 把JSON转成YOLO11能读的TXT标签Labelme生成的JSON包含丰富信息但YOLO11只认简单的TXT格式。镜像里已提供转换脚本一行命令搞定。回到项目根目录运行转换命令python tool/tool_json2label_det.py \ --json_dir resources/images/det/json \ --img_dir resources/images/det/datasets/images \ --save_dir resources/images/det/datasets/labels执行后你会看到resources/images/det/datasets/labels/下多出和图片同名的.txt文件如img001.txt每个TXT里是若干行数字格式正是YOLO要求的类别序号 x_center y_center width height全部归一化打开一个txt看看内容类似这样0 0.423 0.615 0.210 0.382 1 0.785 0.521 0.320 0.215表示第1行是person序号0在图中居中位置偏右下第2行是car序号1在右上区域。验证是否成功检查labels/里的txt数量是否和images/里的jpg数量一致打开一个txt确认行数是否等于这张图中标出的目标数。5. 划分训练集和验证集自动打乱分比例YOLO11训练必须分开train/和val/两组数据。镜像自带分配脚本支持按比例随机划分还能自动创建对应子文件夹。运行命令python tool/tool_det2datasets.py \ --img_dir resources/images/det/datasets/images \ --label_dir resources/images/det/datasets/labels \ --save_dir resources/images/det/datasets \ --train_ratio 0.8参数说明--train_ratio 0.8表示80%的图片进训练集20%进验证集你也可以改成0.7或0.9脚本会自动在datasets/下新建train/和val/两个文件夹并把图片和对应标签分别复制进去执行完成后你的datasets/目录结构变成这样datasets/ ├── images/ │ ├── img001.jpg │ └── ... ├── labels/ │ ├── img001.txt │ └── ... ├── train/ │ ├── images/ ← 训练用图 │ └── labels/ ← 训练用标签 └── val/ ├── images/ ← 验证用图 └── labels/ ← 验证用标签小技巧脚本会跳过没有对应标签的图片比如你标了一半就停了所以不用担心误操作污染数据集。6. 写好数据配置文件YAML现在图片有了、标签有了、分组也有了最后一步写一个YAML文件告诉YOLO11“我的数据长什么样”。在resources/config/data/下新建文件yolo11-det.yaml内容如下# 数据集根路径相对于该yaml文件的位置 path: ../ultralytics-8.3.9/resources/images/det/datasets # 训练集、验证集、测试集的子目录名注意这里填文件夹名不是完整路径 train: train/images val: val/images test: val/images # 测试集可选暂用验证集代替 # 类别名称序号从0开始顺序必须和标签中的序号严格对应 names: 0: person 1: car特别注意两点path是相对路径指向datasets/这一级不是datasets/images/train/val的值是train/images不是train/—— 因为YOLO11默认在子目录下找images/和labels/保存后这个文件就是你整个数据集的“身份证”训练时会靠它定位所有资源。7. 验证数据集是否真的可用在你急着训练之前先快速验证一下数据集有没有路径错误标签格式对不对类别名拼错没YOLO11自带数据检查功能。运行这条命令python -c from ultralytics.data.utils import check_det_dataset; check_det_dataset(resources/config/data/yolo11-det.yaml)如果一切正常你会看到类似输出Found 40 images and 40 labels in train... Found 10 images and 10 labels in val... All labels checked successfully.如果报错常见原因有path路径写错 → 检查yolo11-det.yaml中的path是否能从该文件位置正确抵达datasets/train:后面少了/images→ 必须是train/images不是train类别名大小写不一致如写了Person→ 必须小写person改完再运行一次直到提示“successfully”。8. 附下一步——怎么立刻开始训练数据集做好了训练就只剩一步。YOLO11镜像里已预置训练脚本你只需确认两点模型配置文件存在resources/config/model/yolo11-det.yaml镜像自带预训练权重存在weights/det/yolo11n.pt镜像自带然后运行训练命令python train.py \ --data resources/config/data/yolo11-det.yaml \ --cfg resources/config/model/yolo11-det.yaml \ --weights weights/det/yolo11n.pt \ --epochs 100 \ --batch-size 4 \ --imgsz 640训练日志会实时打印在终端loss下降、mAP上升说明你的数据集正在被模型“吃下去”。提示首次训练建议设--epochs 100快速验证流程效果满意后再调高到1000。--batch-size根据显存调整镜像默认支持CPU训练填4足够。9. 总结你刚刚完成了什么回顾一下你已经亲手走完了YOLO11数据集制作的全部核心环节搭建了符合规范的文件夹结构json/、images/、labels/、train/val/用Labelme完成了真实目标标注画框命名保存用一键脚本把JSON转成了YOLO标准TXT标签自动归一化用分配脚本自动打乱并划分训练/验证集避免人为偏差编写了准确的数据配置YAML路径、目录、类别三者严丝合缝用官方检查工具验证了数据集完整性杜绝路径/格式错误准备好了即刻训练的命令数据→模型→启动无缝衔接这不是纸上谈兵的教程而是你在YOLO11镜像里真实可执行、可复现、可交付的工作流。以后换新数据照着这个流程再来一遍10分钟就能准备好一套新数据集。真正的工程能力不在于懂多少模型原理而在于能把想法快速落地成可用的数据和结果。你现在已经跨过了那道最难的门槛。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。