1. labelme 進(jìn)行數(shù)據(jù)標(biāo)注
image.png
2. lableme格式的文件轉(zhuǎn)為yolo格式
labelme2yolo --json_dir ./
3. lableme格式的文件轉(zhuǎn)為yolo格式
from ultralytics import YOLO
# 創(chuàng)建 YOLO11 模型對象
model = YOLO('yolo11m.pt') # 選擇適合的模型配置文件，也可以是 yolov8n.yaml, yolov8s.yaml 等
# 開始訓(xùn)練
model.train(
data='/home/wangsb/YOLODataset/dataset.yaml', # 數(shù)據(jù)集配置文件路徑
epochs=300, # 訓(xùn)練輪數(shù)
imgsz=1024, # 輸入圖片尺寸
batch=1, # 批處理大小
augment=True, # 啟用數(shù)據(jù)增強(qiáng)
mosaic=True, # 啟用mosaic數(shù)據(jù)增強(qiáng)
mixup=True, # 啟用mixup數(shù)據(jù)增強(qiáng)
device=0 # 使用的設(shè)備唉工，0 表示第一個 GPU研乒，'cpu' 表示使用 CPU
)
4. 模型訓(xùn)練結(jié)果
模型會自動保存到runs/detect/文件夾下
'metrics/precision(B)': 0.8818713467269796, 'metrics/recall(B)': 0.9286173978856906, 'metrics/mAP50(B)': 0.9553736387415699, 'metrics/mAP50-95(B)': 0.5576896142376258, 'fitness': 0.5974580166880202
image.png
