YOLOv11来了，使用YOLOv11训练自己的数据集和预测 (保姆级无代码操作版)

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

文章目录

前言
性能表现
数据集准备
- 1.数据标注
- 2.数据标签转换
YOLO模型训练教程
- 1.模型安装
- 2.YOLO11 模型训练
- 3.YOLO11 预测结果
总结

前言

YOLOv11是由Ultralytics团队于2024年9月30日发布的，它是YOLO（You Only Look Once）系列中的最新成员。YOLOv11在之前版本的YOLO基础上引入了新功能和改进，以进一步提高性能和灵活性。这使得YOLOv11成为目标检测和跟踪、实例分割、图像分类和姿态估计等多种计算机视觉任务的理想选择。
例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。

性能表现

YOLOv11在性能上相比前代模型有显著提升，特别是在平均精度均值（mean Average Precision, mAP）和计算效率方面。它实现了更快的推理速度和更高的准确度，超越了YOLO系列中的其他模型。
在这里插入图片描述
官网源码下载地址：https://github.com/ultralytics/ultralytics
但你可以直接省略这个步骤直接在Coovally官网下载另存为我的模型，即刻存储在账号。

另存后即可在“我的模型列表”安装使用

数据集准备

1.数据标注

数据集需要提前标注好，上传样本集后开始标注。下面是标注界面：

在这里插入图片描述
点击保存按钮或（快捷键：Ctrl + S），保存所有标注改动。

2.数据标签转换

标签格式支持voc、coco、yolo格式互转，而且标注完成后，数据集列表会自动出现，点击标签转换即可完成想要的标签类型。
在这里插入图片描述

YOLO模型训练教程

1.模型安装

Coovally 内置开源模型平台，只要将YOLO11n模型“另存为我的模型”，即可安装使用。
在这里插入图片描述

2.YOLO11 模型训练

输入任务名称，选择模型配置模版，设置实验E-poch次数，训练次数等信息，即可开始训练。
在这里插入图片描述

config：包含模型训练所有相关参数的文件。用于指导整个训练流程，确保模型按照预定的设置进行训练。
weights：权重，指的是模型中各个神经元的连接权重。决定了模型在训练前是否使用预训练的权重。如果使用预训练权重，可以加快收敛速度，提高模型性能。
batch-size：批量大小，指的是在每次迭代中用于训练模型的数据样本数量。较小的batch-size可以减少内存需求，但可能导致训练过程不稳定。较大的batch-size可以加快训练速度，提高内存利用效率，但可能会降低模型的泛化能力。
learning-rate：学习率，指的是在优化过程中，权重更新的步长大小。较高的学习率可能会导致训练过程不稳定，甚至发散。较低的学习率可以保证训练稳定性，但可能会使训练过程变得缓慢。学习率的调整策略（如学习率衰减）对于模型训练的成功至关重要。

模型训练仅需45分钟就完成，而且还可以下载权重文件和日志。
在这里插入图片描述
而且还可以直观的看到各项训练损失与精确度指标等；

train/box_loss：边界框损失（Bounding Box Loss），用于衡量预测的边界框与实际边界框之间的位置误差。
train/cls_loss：分类损失（Classification Loss），用于衡量预测的类别与实际类别之间的误差。
train/dfl_loss：分布预测损失（Distribution Focal Loss），在YOLOv4和YOLOv5等模型中使用，用于改善边界框坐标的预测精度。它通过预测边界框坐标相对于网格单元的分布来减少定位误差。
metrics/precision(B)：精确度（Precision）指标，它表示在所有模型预测为正类的边界框中，实际上为正类的比例。
metrics/recall(B)：召回率（Recall）指标，它表示在所有实际为正类的边界框中，被模型正确预测为正类的比例。
metrics/mAP50(B)：平均精度（mean Average Precision）指标，通常是在IOU（Intersection over Union）阈值为0.5时的评价。mAP50表示的是在所有类别上的平均精度，用于衡量模型在特定IOU阈值下的性能。
metrics/mAP50-95(B)：mAP指标在IOU阈值从0.5到0.95变化范围内的平均值。这个指标可以更全面地评价模型在不同IOU阈值下的性能。
val/box_loss：验证集上的边界框损失。与train/box_loss相似，但它是在模型对验证集进行预测时的表现，用于评估模型在未见数据上的泛化能力。
val/cls_loss：验证集上的分类损失（Classification Loss）。它衡量模型在验证集上预测类别标签时的误差。与训练集上的分类损失（train/cls_loss）类似，val/cls_loss 通常使用交叉熵损失（Cross-Entropy Loss）来计算。分类损失的低值意味着模型在验证集上能够较好地预测类别。
val/dfl_loss：验证集上的分布预测损失（Distribution Focal Loss）。在YOLO系列目标检测模型中，分布预测损失用于优化边界框坐标的预测。它通过预测边界框相对于网格单元的位置分布来减少定位误差。与训练集上的分布预测损失（train/dfl_loss）相似，val/dfl_loss 反映了模型在验证集上对边界框位置预测的准确性。