训练相关基本操作

环境

• python
• torch
• yolov11是基于yolov8开发的，已经在ultralytics库中替代了v8了
• 官方更新的ultralytics并不自带yolov10 ## 数据集
• 数据格式，和yolov5相同 ``` ├── images │ ├── train │ └── val └── labels ├── train └── val

```

命令行执行，和yolov8一模一样

• 详细内容参见default.yaml yolo task=detect mode=train model=yolov8x.yaml data=mydata.yaml epochs=1000 batch=16
• task:目标检测detect、分割segment、分类classify等等
• mode：训练train、验证val、预测predict
• model:模型配置yaml文件或者加载pt权重文件
• pretrained:或者可以设置model为yaml文件，然后pretrained为pt文件进行自适应的部分迁移学习
• data：数据集yaml
• epochs:迭代次数
• batch：视显存大小而定
• imgsz：图片尺度
• device：gpu设备
• optimizer：优化器，默认sgd,可选adam等等
• source:想要推理的目录，可以是图片、视频、文件夹、屏幕、摄像头
• patience：早停机制
• workers：0肯定可以，其他数值请自行尝试
• resume：断点存续
• iou:iou阈值
• conf:置信度阈值
• half：fp16推理
• max_det：最大检测数
• format:导出格式，默认torchscript，可选onnx、engine等
• dynamic:动态导出
• simplify：简化
• opset：onnx版本 ## 代码执行，和yolov8一模一样
• 训练 ``` from ultralytics import YOLO

Load a model

model = YOLO('yolov8n.yaml') # 从YAML中构建一个新模型 model = YOLO('yolov8n.pt') #加载预训练的模型(推荐用于训练) model = YOLO('yolov8n.yaml').load('yolov8n.pt') # 从YAML构建并传递权重

Train the model

model.train(data='coco128.yaml', epochs=100, imgsz=640)

+ 验证 from ultralytics import YOLO

Load a model

model = YOLO('yolov8n.pt') #加载官方模型 model = YOLO('path/to/best.pt') # 加载自己训练的模型

Validate the model

metrics = model.val() # no arguments needed, dataset and settings remembered metrics.box.map # map50-95 metrics.box.map50 # map50 metrics.box.map75 # map75 metrics.box.maps # a list contains map50-95 of each category

+ 推理 from ultralytics import YOLO

Load a model

model = YOLO('yolov8n.pt') # load an official model model = YOLO('path/to/best.pt') # load a custom model

Predict with the model

results = model('https://ultralytics.com/images/bus.jpg') # predict on an image

目标检测后处理

boxes = results[0].boxes boxes.xyxy # box with xyxy format, (N, 4) boxes.xywh # box with xywh format, (N, 4) boxes.xyxyn # box with xyxy format but normalized, (N, 4) boxes.xywhn # box with xywh format but normalized, (N, 4) boxes.conf # confidence score, (N, 1) boxes.cls # cls, (N, 1) boxes.data # raw bboxes tensor, (N, 6) or boxes.boxes .

实例分割后处理

masks = results[0].masks # Masks object masks.segments # bounding coordinates of masks, List[segment] * N masks.data # raw masks tensor, (N, H, W) or masks.masks

目标分类后处理

results = model(inputs) results[0].probs # cls prob, (num_class, )

```

• 导出 ``` from ultralytics import YOLO

Load a model

model = YOLO('yolov8n.pt') # load an official model model = YOLO('path/to/best.pt') # load a custom trained

Export the model

model.export(format='onnx')

+ 跟踪 from ultralytics import YOLO

Load a model

model = YOLO('yolov8n.pt') # load an official detection model model = YOLO('yolov8n-seg.pt') # load an official segmentation model model = YOLO('path/to/best.pt') # load a custom model

Track with the model

results = model.track(source="https://youtu.be/Zgi9g1ksQHc", show=True) results = model.track(source="https://youtu.be/Zgi9g1ksQHc", show=True, tracker="bytetrack.yaml")

+ 基准 from ultralytics.yolo.utils.benchmarks import benchmark

Benchmark

benchmark(model='yolov8n.pt', imgsz=640, half=False, device=0)

```

代码基础介绍，和yolov8基本一致

docker各类硬件的docker file

docs 文档

examples 各种推理框架案例

logs 提供了yolov10的训练日志

tests 各种测试代码

ultralytics核心代码

cfg存放yaml文件

• datasets各种数据集yaml
• models各类目标检测模型v3-v10以及rt-detr
• trackers跟踪类算法botsort和bytetrack
• default.yaml超参表 ### data数据相关代码，数据增强，数据加载等等 ### engine模型相关代码 ### hub 模型托管平台 ### models各类模型调用 #### fastsam和sam:segment anything model #### nas:neural architecture search #### rtdetr和utils工具 #### yolo
• classify分类
• detect检测
• obb有向边界框
• pose姿态检测
• segment分割
• world词汇对象检测
• model.py 父类模型，调用上述子类对象 #### yolov10 v10的所有调用都在这个文件夹
• model.py 父类模型，调用上述子类对象
• predict.py检测代码
• train.py训练代码
• val.py验证代码 ### nn神经网络 #### modules模块
• block.py子模块，例如C1、C2、C3、C2F、ELAN、RepVGG、bottleneck等等
• conv.py各种卷积，例如conv、dwconv、ghostconv、cbam、concat等等
• head.py各种检测头，对应models里面的分类、检测、分割、姿态检测、有向边界框、rtdetr、v10检测头，核心代码在v10Detect中
• transformer.py各种transformer类的模块
• utils.py工具 #### autobackend.py推理时动态后端选择 #### tasks.py
• 从模型yaml文件中解析组成模型
• 所有新增的module都需要import，并在parse_model函数中适时调用 ### solutions 附属功能的解决方案 ### trackers 跟踪实现的代码
• botsort和bytetracker实现，详细参考文件夹内readme ### utils各类工具
• autobatch.py:自动batch工具
• benchmarks.py:多平台对比工具
• checks.py:检测工具
• dist.py downloads.py:下载工具
• errors.py:报错工具
• files.py:文件工具
• instance.py：实例对象
• loss.py：损失函数
• metrics.py:评价指标
• ops.py运营工具，例如nms、xyxy2xywh之类的
• patches.py补丁工具
• plotting.py绘图工具
• tal.py 任务对齐学习Task Alignment Learning
• torch_utils.py torch工具
• triton.py triton推理工具
• tuner.py 超参调优工具 # 核心改进点
• 从yolov5的C3到yolov8的C2f，再到yolov11的C3k2，本质上就是C2f，只是将深层的C2f的kernel定为3
• C2PSA,从yolov10的PSA借鉴得来，加入了C2f到PSA中
• EIOU损失函数
• 加快了训练速度，亲测有效
• 新增了边缘设备一键部署的支持