1 YOLOv11代码下载

如果你看过我上一篇文章，就会发现yolo11和yolo8的运行方法基本上是一模一样的，几乎没有区别，因此如果有不清楚的地方，大家可以参考上一篇，会更详细一些，为了不水篇幅，节约大家的时间，今天这篇会相对简短一点。

YOLOv11的代码在github上可以直接下载，给出下载链接：

https://github.com/ultralytics/ultralytics

下载后我们对压缩包进行解压，得到YOLO11的代码：

2 环境准备

这里默认大家安装了conda和torch的环境，以下演示是在conda中进行的，如果有同学不太了解conda的安装过程，可以参考我的历史文章。

安装好前置环境后，此时查看README文档，创建虚拟环境，然后yolo11的依赖库，步骤如下：

创建一个名为yolov11_envconda虚拟环境(注意python要>=3.7)：

conda create -n yolov11_env python=3.8 -y

• 激活环境：

conda activate yolov11_env

• 安装所需要的库：

pip install ultralytics

• 查看安装的库：

conda list

此时yolo11的环境准备工作已经完成，我们可以开始着手准备训练。

3 YOLOv11的推理与训练

yolo11的推理训练测试与yolov8不能说是大差不差吧，只能说是一模一样。

为了快速验证效果，我们首先来使用yolov11进行推理，在我们的环境中运行命令：

yolo predict model=yolo11n.pt source="./bus.jpg"

执行命令：

此次检测结果存放在/ultralytics-main/runs/detect/predict5下：

我们再来看看yolo11的训练：

yolo detect train data=coco128.yaml model=yolo11n.pt epochs=100 imgsz=640

对比yolov8的命令：

yolo detect train data=coco128.yaml model=yolov8n.pt epochs=100 imgsz=640

大家可以看出只有一个细微的区别，yolo模型的名字不带版本'v'.

4 YOLO11训练自定义数据集

我们针对卡车检测数据集采用yolo11来训练，数据集的下载地址：

https://public.roboflow.com/object-detection/vehicles-openimages/1

下载后我们进行解压，看到依然是yolo的目录和格式(数据集中是data.yaml),vehicles.yaml是我改的。

我们修改vehicles.yaml为：

#Dataset root directory relative to the yolov5 directory
path: ../datasets/Vehicles
#Train/val/test sets: specify directories, *.txt files, or lists
train: ../train/images
val: ../valid/images
test: ../test/images
nc: 5
names: ['Ambulance', 'Bus', 'Car', 'Motorcycle', 'Truck']

将这个yaml放在/ultralytics-main/ultralytics/cfg/datasets/vehicles.yaml。

我们来进行训练，训练命令：

yolo detect train data=./ultralytics/cfg/datasets/vehicles.yaml model=yolo11n.pt epochs=100 imgsz=640

训练界面：

训练完成，权重结果保存在/ultralytics-main/runs/detect/train8/weights/best.pt

进行测试，命令为：

 yolo predict model=runs/detect/train8/weights/best.pt source= ../datasets/Vehicles/test/images

看看效果：

效果还行。

欢迎大家关注我的gzh：阿龙AI日记