前言

YOLO11作为Ultralytics推出的最新目标检测模型，凭借其高精度、轻量化、多任务支持的特性，已成为工业界与学术界的焦点。本文将手把手教你从零搭建YOLO11训练环境，覆盖数据集标注、模型训练、性能优化、FastAPI接口部署全流程，助你快速落地实际项目！文末附避坑指南与源码链接，建议收藏⭐。

一、数据集准备与标注

1. 数据收集与整理

• 公开数据集：COCO、VOC等经典数据集可直接使用，推荐从Roboflow获取预处理好的YOLO格式数据。
• 自制数据集：通过爬虫或实际拍摄获取图像，建议按场景分类存储（如train/images, val/images）。
• 数据增强：使用Albumentations或Roboflow进行旋转、缩放、色彩变换等操作，提升泛化性。

2. 使用Labelme标注数据

• 标注工具安装：通过Anaconda创建独立环境安装Labelme（避免Python版本冲突）：

  conda create -n labelimg python=3.8
  conda activate labelimg 
  pip install labelimg
  conda env list #查看conda环境  即可查看到已安装的环境列表
  

labelimg #即可启动

• 标注技巧：
  • 目标检测：选择**矩形框（Create Rectangle）**标注物体边界。
  • 实例分割：使用**多边形（Create Polygons）**精确标注轮廓。
  • 保存格式：生成与图片同名的.json文件，包含类别、坐标等信息。

3. 转换标注格式(可选)

将Labelme的JSON标签转换为YOLO格式的TXT文件（每行格式：class_id x_center y_center width height）：

# 代码示例：JSON转YOLO格式（目标检测）
import json
import os

def convert_labelme_to_yolo(json_path, output_dir, label_map):
    with open(json_path, 'r') as f:
        data = json.load(f)
    img_width = data['imageWidth']
    img_height = data['imageHeight']
    txt_lines = []
    for shape in data['shapes']:
        label = shape['label']
        points = shape['points']
        x_min, y_min = min(p[0] for p in points), min(p[1] for p in points)
        x_max, y_max = max(p[0] for p in points), max(p[1] for p in points)
        x_center = (x_min + x_max) / 2 / img_width
        y_center = (y_min + y_max) / 2 / img_height
        width = (x_max - x_min) / img_width
        height = (y_max - y_min) / img_height
        txt_lines.append(f"{label_map[label]} {x_center:.6f} {y_center:.6f} {width:.6f} {height:.6f}")
    txt_path = os.path.join(output_dir, os.path.splitext(os.path.basename(json_path))[0] + '.txt')
    with open(txt_path, 'w') as f:
        f.write('\n'.join(txt_lines))

二、YOLO11环境配置与模型训练

1. 环境搭建

• CUDA与PyTorch：安装CUDA 12.1 + cuDNN 8.9.7，PyTorch选择GPU版本（如torch==2.1.0+cu121）。
• 依赖库安装：

  conda create -n yolov11 python=3.10
  conda activate yolov11
  pip install ultralytics opencv-python matplotlib
  

2. 配置文件准备

• 数据集YAML：创建data.yaml定义路径与类别：

  path: ./datasets/custom
  train: train/images
  val: val/images
  names:
    0: cat
    1: dog
  

• 模型YAML：选择yolo11.yaml调整nc（类别数）与scales（模型尺寸）。

3. 模型训练

• 启动训练：使用Ultralytics API快速训练：

  from ultralytics import YOLO
  
  model = YOLO('yolo11n.pt')  # 加载预训练权重
  model.train(
      data='data.yaml',
      epochs=100,
      batch=16,
      imgsz=640,
      device='0',  # GPU ID
      optimizer='AdamW',
      project='runs/train'
  )
  

• 关键参数：
  • mosaic=True：启用马赛克增强（提升小目标检测）。
  • close_mosaic=10：最后10个epoch关闭mosaic防止过拟合。

三、模型验证与优化

1. 性能评估

model.val(data='data.yaml', split='val', batch=8)

• 关注指标：[email protected]、Recall、Precision。
• 混淆矩阵：分析类别间误检情况，针对性优化数据集。

2. 模型导出

导出为ONNX/TensorRT格式加速推理：

model.export(format='onnx', dynamic=True, simplify=True)

四、FastAPI后端接口部署

1. 接口开发

from fastapi import FastAPI, File, UploadFile
import cv2
import numpy as np
from ultralytics import YOLO

app = FastAPI()
model = YOLO('yolo11n.onnx')

@app.post("/predict")
async def predict(file: UploadFile = File(...)):
    image = cv2.imdecode(np.frombuffer(await file.read(), np.uint8), cv2.IMREAD_COLOR)
    results = model.predict(image, conf=0.5)
    return {
        "detections": [
            {
                "class": model.names[int(box.cls)],
                "confidence": float(box.conf),
                "bbox": [int(x) for x in box.xyxy[0].tolist()]
            } for box in results[0].boxes
        ]
    }

2. 服务启动

uvicorn main:app --host 0.0.0.0 --port 8000

五、避坑指南

1. 显存不足：降低batch_size或使用imgsz=320。
2. 标注错误：检查TXT标签是否归一化，避免坐标超出[0,1]。
3. 训练发散：尝试冻结骨干网络（freeze=10）或减小学习率（lr0=0.001）。
4. 部署报错：确保ONNX模型输入尺寸与推理代码一致。

立即动手，打造你的第一个YOLO11应用！如有疑问，欢迎评论区互动讨论~ 🚀