python使用yolo训练模型

前提有已经标框好的数据集

from ultralytics import YOLO# # 加载预训练的 YOLO 模型
model = YOLO('yolo11n.pt')# 训练模型
results = model.train(data='data.yaml',  # 数据集配置文件路径epochs=10,  # 训练轮数imgsz=640,  # 输入图像尺寸batch=16,  # 批量大小optimizer='Adam',  # 优化器 SGD 最终精度更高，但 Adam 训练速度更快lr0=0.001  # 初始学习率
)

利用xml转换为txt生成的data.yaml进行训练模型

模型训练好之后，验证模型性能

from ultralytics import YOLOmodel = YOLO('runs/detect/train/weights/best.pt')  # 加载训练好的最佳模型
metrics = model.val()  # 在验证集上评估
print(f"mAP50-95: {metrics.box.map}")  # 正常值应 > 0.5

如果报错的话，可以用这个 

import os
os.environ['KMP_DUPLICATE_LIB_OK'] = 'TRUE'  # 添加在导入其他库之前from ultralytics import YOLOmodel = YOLO('runs/detect/train/weights/best.pt')
metrics = model.val()
print(f"mAP50-95: {metrics.box.map}")

训练完成后，可以用训练集图片验证，如果模型在训练集图片上也检测不到目标，说明训练失败。

from ultralytics import YOLO
import cv2# 加载模型（确认路径正确）
model = YOLO('best.pt')# 调整阈值进行推理
results = model.predict('test.jpg', conf=0.3, imgsz=640)# 处理结果
for r in results:# 保存图像到文件检查标框im_array = r.plot(line_width=2, labels=True)cv2.imwrite('output.jpg', im_array)# 显示检测结果cv2.imshow('Detection', im_array)cv2.waitKey(0)cv2.destroyAllWindows()# 打印检测信息if len(r.boxes) == 0:print("未检测到目标！")else:print(f"检测到 {len(r.boxes)} 个目标！")