前言

YOLOv11由Ultralytics于2024年发布，在精度与速度上优势显著。尽管已有YOLO26等更新版本，但YOLOv11在成熟度、bug修复、环境适应及训练资源丰富性上更优，能确保高效稳定地完成自定义目标检测训练。文将详细介绍如何使用YOLOv11训练自定义目标检测模型，涵盖数据准备、模型训练、评估验证的完整流程钢材表面缺陷检测。

1. 训练结果演示

2. YOLOv11系列模型的性能对比图

3. 环境准备

3.1 安装所需要软件

推荐安装Anaconda3+Pycharm，安装教程->最新版Pycharm与Anaconda详细安装教程——小白入手可操作版

• Anaconda3安装 : Anaconda由于是国外网站下载较慢，推荐通过清华镜像源安装。清华园下载链接。选后缀“…Windows…exe ”字样下载。建议使用Anaconda发行版，便于环境管理和依赖包安装
• 集成开发坏境（IDE）安装 : 推荐使用PyCharm，如果使用VSCode，VSCode 需安装Python扩展和Qt Tools插件。且PyCharm Professional版提供完整的PyQt5开发支持。PyCharm下载入口

3.2 创建虚拟环境

打开Anaconda prompt终端，默认进入的是(base)环境,创建虚拟环境是为了隔离项目依赖，避免包版本冲突和环境混乱。

3.2.1 使用conda搭建

1. 默认路径（默认C盘）

# 创建虚拟环境
conda create --name myenv python=3.11

# 激活
conda activate myenv

# 停用
conda deactivate

}

2. 创建的环境到自定义路径（其他盘符）

conda create -p /your/custom/path/my_custom_env python=3.11

让我详细解释这条命令的每个部分：

• conda create：这是 Conda 创建新环境的核心命令
• -p /your/custom/path/my_custom_env：这是关键部分！
  -p标志表示指定完整路径（而不是使用默认位置）
/your/custom/path/替换为你想要的实际路径，例如 /home/username/my_project/envs/
my_custom_env是你给环境起的名称
• python=3.11：指定要安装的 Python 版本（这里以 3.11 为例，可根据需要调整）

注意事项

• 确保Python版本在3.8以上
• 如果有GPU，建议安装CUDA版本的PyTorch
• 如果安装过程中出现冲突，可以尝试创建新的虚拟环境

3.3 安装Python所依赖第三方包

创建一个requirements.txt文件，用于列出 Python 项目所依赖的所有第三方包及其具体版本。所有依赖包如下：建议使用pip安装

# requirements.txt
annotated-types==0.7.0
anyio==4.10.0
argon2-cffi==25.1.0
argon2-cffi-bindings==25.1.0
arrow==1.3.0
asttokens==3.0.0
async-lru==2.0.5
attrs==25.3.0
babel==2.17.0
beautifulsoup4==4.13.4
bleach==6.2.0
blinker==1.9.0
certifi==2025.1.31
cffi==1.17.1
charset-normalizer==3.4.1
click==8.1.8
colorama==0.4.6
coloredlogs==15.0.1
comm==0.2.3
contourpy==1.3.2
cryptography==40.0.2
cycler==0.12.1
debugpy==1.8.16
decorator==5.2.1
defusedxml==0.7.1
executing==2.2.0
fastjsonschema==2.21.2
filelock==3.18.0
Flask==3.0.3
flatbuffers==25.2.10
fonttools==4.58.2
fqdn==1.5.1
fsspec==2024.6.1
gdown==5.2.0
h11==0.16.0
httpcore==1.0.9
httpx==0.28.1
humanfriendly==10.0
idna==3.10
imageio==2.37.0
imgviz==1.7.6
ipykernel==6.30.1
ipython==9.4.0
ipython_pygments_lexers==1.1.1
ipywidgets==8.1.7
isoduration==20.11.0
itsdangerous==2.2.0
jedi==0.19.2
Jinja2==3.1.4
json5==0.12.1
jsonpointer==3.0.0
jsonschema==4.25.1
jsonschema-specifications==2025.4.1
jupyter==1.1.1
jupyter-console==6.6.3
jupyter-events==0.12.0
jupyter-lsp==2.2.6
jupyter_client==8.6.3
jupyter_core==5.8.1
jupyter_server==2.16.0
jupyter_server_terminals==0.5.3
jupyterlab==4.4.6
jupyterlab_pygments==0.3.0
jupyterlab_server==2.27.3
jupyterlab_widgets==3.0.15
kiwisolver==1.4.8
labelImg==1.8.6
lark==1.2.2
lazy_loader==0.4
loguru==0.7.3
lxml==6.0.0
MarkupSafe==3.0.2
matplotlib==3.10.3
matplotlib-inline==0.1.7
mistune==3.1.3
mpmath==1.3.0
natsort==8.4.0
nbclient==0.10.2
nbconvert==7.16.6
nbformat==5.10.4
nest-asyncio==1.6.0
networkx==3.5
notebook==7.4.5
notebook_shim==0.2.4
numpy==2.2.6
onnxruntime==1.22.0
opencv-python==4.12.0.88
osam==0.2.3
overrides==7.7.0
packaging==25.0
pandas==2.3.1
pandocfilters==1.5.1
parso==0.8.4
pillow==11.2.1
platformdirs==4.3.8
prometheus_client==0.22.1
prompt_toolkit==3.0.51
protobuf==6.31.1
psutil==7.0.0
pure_eval==0.2.3
py-cpuinfo==9.0.0
pycparser==2.22
pydantic==2.11.5
pydantic_core==2.33.2
Pygments==2.19.2
pyparsing==3.2.3
PyQt5==5.15.11
PyQt5-Qt5==5.15.2
PyQt5_sip==12.17.0
pyreadline3==3.5.4
PySocks==1.7.1
python-dateutil==2.9.0.post0
python-json-logger==3.3.0
pytz==2025.2
pywin32==311
pywinpty==3.0.0
PyYAML==6.0.2
pyzmq==27.0.1
referencing==0.36.2
requests==2.32.5
rfc3339-validator==0.1.4
rfc3986-validator==0.1.1
rfc3987-syntax==1.1.0
rpds-py==0.27.0
scikit-image==0.25.2
scipy==1.15.3
Send2Trash==1.8.3
setuptools==78.1.1
six==1.17.0
sniffio==1.3.1
soupsieve==2.7
stack-data==0.6.3
sympy==1.13.3
terminado==0.18.1
tifffile==2025.6.1
tinycss2==1.4.0
#torch==2.8.0+cu128
torch==2.8.0
torchvision==0.23.0
tornado==6.5.2
tqdm==4.67.1
traitlets==5.14.3
types-python-dateutil==2.9.0.20250809
typing-inspection==0.4.1
typing_extensions==4.14.0
tzdata==2025.2
ultralytics==8.3.180
ultralytics-thop==2.0.15
uri-template==1.3.0
urllib3==1.26.15
wcwidth==0.2.13
webcolors==24.11.1
webencodings==0.5.1
websocket-client==1.8.0
Werkzeug==3.1.3
wheel==0.45.1
widgetsnbextension==4.0.14
win32_setctime==1.2.0
}

注意：

• 出现ERROR: No matching distribution found for torch==2.8.0+cu128等是因为python版本不对！
• 根据电脑有无有英伟达显卡，来选择安装“torch库”

3.3.1 另外安装torch库

1. 安装pytorch（GPU版）
   打开命令行界面输入conda activate …进入自己创建的虚拟环境，之后输入下方命令即可安装pytorch,耐心等待安装完成

pip install torch==2.0.0+cu128 torchvision==0.15.1+cu128 --extra-index-url https://download.pytorch.org/whl/cu128

2. 安装pytorch（CPU版）
   有英伟达显卡的按照上述流程安装后即可跳过本部分，无英伟达显卡则需要按照下述方法进行，

pip install torch==2.0.0 torchvision==0.15.1 torchaudio==2.0.1 --index-url https://download.pytorch.org/whl/cpu

3.4 安装ultralytics库

YOLO11（ultralytics）源码获取官网：https://github.com/ultralytics/ultralytics。也可以去网盘获取。获取到进行安装。

pip install ultralytics

4. 数据集准备与划分

将你的原始图像数据按以下结构存放，也可以网上找大佬归纳好的数据集，比如:东北大学钢材表面缺陷数据集

dataset_org/
├── images/          # 存放所有图片文件
│   ├── image1.jpg
│   ├── image2.jpg
│   └── ...
└── labels/          # 存放对应的标注文件
    ├── image1.txt
    ├── image2.txt
    └── ...

4.1 划分数据集代码详解

# split_dataset.py - 数据集划分脚本
import os
import shutil
import random

# 🎯 需要修改的部分开始
# 设置划分比例：训练集70%，验证集20%，测试集10%
split_rate = [0.7, 0.2, 0.1]
split_names = ["train", "valid", "test"]

# 🎯 修改为你的原始数据集路径
image_folder = r"E:\yolop\train\images"    # 修改为你的图片文件夹路径
label_folder = r"E:\yolop\train\labels"    # 修改为你的标签文件夹路径

# 是否打乱数据顺序（建议设为True）
shuffle = True
# 🎯 需要修改的部分结束

def replace_expand_name(file_name, ex_name):
    """替换文件扩展名"""
    return ".".join(file_name.split(".")[:-1] + [ex_name])

# 创建新的数据集目录
if os.path.exists("dataset"):
    shutil.rmtree("dataset")  # 删除已存在的dataset文件夹
os.makedirs("dataset")

# 创建子目录结构
for name in split_names:
    os.makedirs(os.path.join("dataset", name, "images"))
    os.makedirs(os.path.join("dataset", name, "labels"))

# 获取所有图片文件
image_files = os.listdir(image_folder)
if shuffle:
    random.shuffle(image_files)  # 随机打乱顺序

# 生成对应的标签文件名
label_files = [replace_expand_name(name, 'txt') for name in image_files]

def write_files(image_files, label_files, split):
    """将文件复制到对应的分割目录"""
    for image_file, label_file in zip(image_files, label_files):
        # 复制图片文件
        shutil.copy(
            os.path.join(image_folder, image_file), 
            os.path.join("dataset", split, "images", image_file)
        )
        # 复制标签文件
        shutil.copy(
            os.path.join(label_folder, label_file), 
            os.path.join("dataset", split, "labels", label_file)
        )

# 计算各分割集的数量
data_len = len(image_files)
train_count = int(split_rate[0] * data_len)
valid_count = int(split_rate[1] * data_len)

# 执行文件划分和复制
write_files(image_files[:train_count], label_files[:train_count], split_names[0])  # 训练集
write_files(image_files[train_count:train_count+valid_count], 
           label_files[train_count:train_count+valid_count], split_names[1])  # 验证集
write_files(image_files[train_count+valid_count:], 
           label_files[train_count+valid_count:], split_names[2])  # 测试集

print(f"数据集划分完成！总共 {data_len} 个样本")
print(f"训练集: {train_count} 个样本")
print(f"验证集: {valid_count} 个样本")
print(f"测试集: {data_len - train_count - valid_count} 个样本")

运行说明：

1. 修改 image_folder和 label_folder路径为你的实际路径
2. 运行脚本：python split_dataset.py
3. 脚本会自动创建 dataset文件夹并完成数据划分

5. 创建数据配置文件

创建 data.yaml文件，告诉YOLO数据集的位置和类别信息：

# data.yaml - 数据配置文件
# 🎯 需要修改的路径部分
train: F:\FZ\yolop\dataset\train\images    # 修改为你的训练集路径
val: F:\FZ\yolop\dataset\valid\images      # 修改为你的验证集路径
test: F:\FZ\yolop\dataset\test\images       # 修改为你的测试集路径

# 类别数量（根据你的数据集修改）
nc: 6

# 类别名称（根据你的数据集修改） #以钢材缺陷“六种缺陷类型”为例
names: ['crazing', 'inclusion', 'patches', 'pitted_surface', 'rolled-in_scale', 'scratches']

重要说明

• 路径使用正斜杠 /或双反斜杠 \
• nc必须与你的类别数量一致
• names列表中的顺序必须与标注文件中的类别ID对应

6. 模型训练

6.1 YOLOv11训练代码

# train.py 
from ultralytics import YOLO

if __name__ == "__main__":
    # 🎯 模型选择：根据硬件条件选择合适的模型
    # yolo11n.pt - 轻量级（适合低配置）
    # yolo11m.pt - 中量级（平衡精度和速度）
    # yolo11l.pt - 重量级（高精度，需要大显存）
    model = YOLO(r"weights\yolov11\yolo11m.pt")  # 修改为你的预训练模型路径
    
    # 🎯 训练参数配置
    model.train(
        data="data.yaml",          
        epochs=300,                
        batch=8,                    
        imgsz=640,                 
        workers=2,                  
        device=0,                  
        # device='cpu',            
        patience=50,               
        lr0=0.01,                   
        lrf=0.01,                   
        momentum=0.937,            
        weight_decay=0.0005,        
        warmup_epochs=3.0,         
        warmup_momentum=0.8,        
        box=7.5,                    
        cls=0.5,                    
        dfl=1.5,                 
    )

1. 基础数据与目标设置

• data=”data.yaml”：指定数据集配置文件 data.yaml的路径。该文件定义了训练集、验证集的路径、类别数量及名称。
• epochs=300：设置训练总共要遍历整个数据集的轮数为300轮。
• batch=8：设置每批输入到模型的图片数量为8。较大的批次可能加速训练但需要更多显存。
• imgsz=640：将输入图像统一缩放或填充至 640x640 像素。
• workers=2：设置数据加载的子进程数为2，用于在后台预读取下一批数据，提高数据加载效率。
• device=0：指定使用第1块GPU进行训练。如果使用CPU，则需将其注释掉，并启用下一行 device=’cpu’。

2. 优化器与学习率策略

• patience=50：早停机制的耐心值。如果验证集指标在连续50个epoch内没有改善，则提前终止训练以防止过拟合。
• lr0=0.01：初始学习率，是优化器调整模型参数步长的起点。
• lrf=0.01：最终学习率衰减系数。训练结束时的学习率将为 lr0 * lrf = 0.0001。这是一个余弦退火策略。
• momentum=0.937：优化器的动量参数，帮助加速梯度下降并在正确方向上前进，避免震荡。
• weight_decay=0.0005：权重衰减系数，一种正则化手段，通过对大权值进行惩罚来防止模型过拟合。

2. 训练策略

• warmup_epochs=3.0：学习率预热轮数。在前3个epoch，学习率将从0缓慢线性增加到lr0，这有助于训练初期稳定。
• warmup_momentum=0.8：预热阶段使用的动量值，预热结束后将变为momentum参数设定的值。

3. 损失函数权重
   这三个参数用于调整总损失函数中不同组成部分的权重，以平衡各项优化目标：

• box=7.5：边界框回归损失的权重。负责优化预测框的位置和大小。
• cls=0.5：分类损失的权重。负责优化模型对物体类别的预测。
• dfl=1.5：分布焦点损失的权重。这是YOLOv8/v11中用于改进边界框预测精度的一种损失。

6.1.1 参数调整指南：

参数	推荐值	说明
batch	4-16	根据显存调整，越大训练越快
workers	2-8	根据CPU核心数调整
imgsz	640	图像尺寸，越大精度越高但越慢
epochs	100-500	根据数据集大小调整

6.1.2 常见问题解决：

• 显存不足（OOM错误）：减小 batch和 imgsz
• 训练速度慢：增加 workers，使用更小的模型
• 过拟合：减少 epochs，增加数据增强

6.1.3 官网预训练模型下载

YOLOv11针对不同的场景和应用提供了YOLOv11n、YOLOv11s等不同大小的模型，具体看官网提供的，按需要下载https://docs.ultralytics.com/zh/models/yolo11/#citations-and-acknowledgments

7. 模型评估与测试

创建一个evaluate.py文件，封装验证函数。

7.1 使用验证集评估

# evaluate_val.py - 使用验证集评估模型
from ultralytics import YOLO

if __name__ == "__main__":
    # 🎯 修改为你的训练结果模型路径
    # 路径格式：runs/detect/trainX/weights/best.pt
    # 其中X是训练序号，根据实际训练结果修改
    model_path = r"runs\detect\train2\weights\best.pt"  # 修改为你的模型路径
    
    # 加载训练好的模型
    model = YOLO(model_path)
    
    # 在验证集上评估
    results = model.val(
        data="data.yaml",    # 数据配置文件
        split="valid"        # 使用验证集评估
    )
    
    # 打印评估结果
    print("评估结果:")
    print(f"mAP50: {results.box.map50:.3f}")
    print(f"mAP50-95: {results.box.map:.3f}")

7.2 在测试集上进行预测

# evaluate_predict.py - 在测试集上进行预测
from ultralytics import YOLO

if __name__ == "__main__":
    # 🎯 修改为你的训练结果模型路径
    model_path = r"runs\detect\train7\weights\best.pt"  # 修改为你的模型路径
    
    # 🎯 修改为测试集图片路径
    test_images_path = r"dataset\test\images"  # 修改为你的测试集路径
    
    # 加载训练好的模型
    model = YOLO(model_path)
    
    # 进行预测并保存结果
    results = model.predict(
        source=test_images_path,
        save=True,           # 保存预测结果图像
        conf=0.25,           # 置信度阈值
        iou=0.45,            # IOU阈值
        show_labels=True,     # 显示标签
        show_conf=True,       # 显示置信度
        imgsz=640            # 推理尺寸
    )
    
    print("预测完成！结果保存在 runs/detect/predict 目录")

7.3 训练结果评估

在训练YOLOv11模型时，我们主要通过观察三类损失曲线（box_loss, cls_loss, dfl_loss）的下降趋势来监控学习过程。训练完成后，所有输出成果均会系统保存在runs/目录下。如图所示，该目录不仅包含最终的模型权重（weights/）和训练配置（args.yaml），还自动生成了评估图表（如F1曲线、混淆矩阵）以及直观的训练批次（train_batch*）和验证批次（val_batch*）样本图像，便于全面复盘模型性能与训练状态。

• F1-置信度曲线 ：展示了模型综合性能（F1分数）随置信度阈值变化的趋势。其峰值（如图中0.74）对应的置信度常被选为最佳阈值，用以平衡精确率与召回率。
• 精确率-置信度曲线 ：反映了模型预测结果的可靠性。曲线越高，代表在该置信度阈值下，模型判断为“缺陷”的预测越准确。当曲线接近1时，表明预测结果几乎无误。
• 精确率-召回率曲线 ：揭示了模型精确率与召回率之间的整体权衡关系。曲线越靠近右上方，性能越好；其下方的面积（mAP）是衡量模型平均精度的核心指标。
• 召回率-置信度曲线 ：体现了模型发现所有真实缺陷的能力。阈值越低，召回率通常越高（如图中最高达0.89）。此曲线帮助确定在确保尽可能不漏检时所需的阈值上限。

7.3.1 损失函数（Loss Curves）和性能指标（Performance Metrics）函数

• 这张图是判断模型训练是否正常、收敛是否良好、以及最终性能优劣的直接依据。理想的图表表现为所有损失曲线平滑收敛，而所有精度/召回率/mAP曲线则稳步上升至一个较高的水平。

7.4 结果展示

结语

至此，我们完成了基于YOLOv11的“钢材表面缺陷检测为例“从数据到部署的全流程实践。整个过程不仅涵盖了模型训练、损失监控与性能评估的核心技术环节，更展现了AI为传统工业质检带来的精准与效率提升。

【获取源码包方式】

关注我的CSDN博客，在本文评论区留言，或私信我，我会将GitHub仓库链接或网盘链接发送给你。