YOLO11新手必看从下载到训练的分类模型完整教程1. 引言为什么选择YOLO11做分类如果你对计算机视觉感兴趣或者想快速上手一个能识别图片内容的AI模型YOLO11绝对是个好选择。你可能听说过YOLO系列在目标检测领域的鼎鼎大名但你知道吗从YOLO11开始它已经成为一个强大的多任务模型不仅能检测物体还能做图像分类。简单来说图像分类就是让AI告诉你一张图片里是什么。比如给它一张猫的图片它能准确识别出“猫”。YOLO11的分类功能继承了其家族一贯的高速度和不错的精度对于新手来说部署和训练过程也相对友好。这篇文章我将手把手带你完成从零开始使用YOLO11训练一个属于自己的分类模型的完整流程。我们不会涉及复杂的理论一切以“能跑起来、看到结果”为目标。准备好了吗让我们开始吧。2. 环境准备一键启动YOLO11在开始写代码之前我们需要一个能运行YOLO11的环境。传统方式配置Python、PyTorch、CUDA等依赖非常繁琐容易劝退新手。幸运的是我们可以使用预置好的镜像环境省去99%的麻烦。2.1 启动预置镜像根据你拿到的镜像文档启动环境主要有两种方式Jupyter Notebook和SSH。对于新手我强烈推荐使用Jupyter Notebook。启动Jupyter在镜像管理界面找到启动Jupyter的选项并点击。这会在你的浏览器中打开一个类似下图的网页编程环境。它就像一个有代码单元格的网页你可以一段一段地运行代码非常适合学习和调试。了解界面启动后你会看到一个文件浏览器。这里就是你的云端工作目录。所有操作如下载代码、准备数据、运行训练都将在这里进行。小提示如果你更习惯在命令行操作也可以选择SSH方式连接。但对于本教程我们全程在Jupyter的代码单元格中完成所见即所得更不容易出错。2.2 进入项目目录环境启动后第一件事就是找到YOLO11的代码。通常镜像已经预置了ultralytics库的代码。我们需要先进入这个目录。在Jupyter中新建一个代码单元格输入并运行以下命令cd ultralytics-8.3.9/ lscd命令是“改变目录”ls命令是“列出文件”。运行后你应该能看到类似ultralytics、README.md等文件和文件夹。这说明你已经成功进入了YOLO11的项目根目录。3. 核心步骤训练你的第一个分类模型现在我们来到了最核心的部分。整个过程可以分解为几个清晰的步骤下载模型、准备数据、编写配置文件、开始训练。我们一步一步来。3.1 第一步下载预训练模型YOLO11提供了多种预训练模型我们从一个轻量级的分类模型开始。在Jupyter中新建一个单元格运行以下Python代码来下载模型from ultralytics import YOLO # 下载YOLO11 Nano分类预训练模型 model YOLO(yolo11n-cls.pt)运行这行代码它会自动从Ultralytics的官方服务器下载yolo11n-cls.pt这个模型文件到当前目录。n代表Nano是模型尺寸最小的版本训练和推理速度快非常适合新手尝试和快速验证想法。去哪里找更多模型如果你想使用更大、更精确的模型如yolo11s-cls.pt,yolo11m-cls.pt可以访问 YOLO11官方文档。在模型表格中找到“分类”任务对应的模型名称替换上面代码中的名字即可。3.2 第二步准备你的数据集模型有了接下来需要“喂”给它学习的图片也就是数据集。一个标准的分类数据集结构应该是这样的your_dataset/ ├── train/ # 训练集 │ ├── class_1/ # 类别1的图片 │ ├── class_2/ # 类别2的图片 │ └── ... └── val/ # 验证集 ├── class_1/ ├── class_2/ └── ...train训练集用于模型学习的主要图片。val验证集在训练过程中用来检查模型学得怎么样不参与学习防止模型“死记硬背”。每个子文件夹代表一个类别文件夹的名字就是类别名里面放属于该类别的所有图片。举个例子假设你想训练一个模型区分“猫”、“狗”、“鸟”。 那么你需要创建文件夹train/cat/,train/dog/,train/bird/并在每个文件夹里放入对应的图片。验证集val同理。给新手的建议可以从网上下载一些公开的小数据集如猫狗大战来练手。每个类别至少准备几十张图片越多越好图片质量要清晰。确保训练集和验证集的图片没有重复。准备好数据后将整个your_dataset文件夹上传到Jupyter的文件浏览器中放在方便找到的位置比如项目根目录。3.3 第三步创建数据集配置文件模型需要知道你的数据在哪里以及有哪些类别。这就需要创建一个YAML配置文件。在Jupyter中新建一个文本文件命名为my_data.yaml。编辑这个文件内容如下请根据你的实际情况修改路径和类别# 数据集配置文件 my_data.yaml train: /path/to/your_dataset/train # 训练集图片路径 val: /path/to/your_dataset/val # 验证集图片路径 # 类别数量 (Number of Classes) nc: 3 # 类别名称列表 names: [cat, dog, bird]重要提示将/path/to/your_dataset/替换成你数据集上传后的真实绝对路径。在Jupyter文件浏览器中右键点击文件夹选择“复制路径”可以获取。nc必须等于names列表的长度。文件名和路径中尽量不要有中文或特殊字符。3.4 第四步编写训练脚本现在把前面几步串联起来写一个完整的训练脚本。在Jupyter中新建一个Python文件命名为train.py或者直接在单元格中写入以下代码from ultralytics import YOLO # 1. 加载预训练的分类模型 # 如果你之前已经下载了 yolo11n-cls.pt这里直接加载本地文件更快 model YOLO(yolo11n-cls.pt) # 或者使用完整路径如 ‘/home/你的目录/yolo11n-cls.pt’ # 2. 开始训练 results model.train( datamy_data.yaml, # 指向我们刚创建的数据集配置文件 imgsz224, # 输入图片缩放到的尺寸分类常用224 epochs50, # 在整个数据集上训练多少轮。新手可以先设50轮看看效果 batch16, # 一次训练多少张图片。根据你的显卡内存调整内存小就调小如8 device0, # 使用GPU训练。如果是CPU改为 ‘cpu’ workers4, # 加载数据的进程数可以加快数据读取速度 projectmy_classify_project, # 训练结果保存的文件夹名称 nameexp1 # 本次实验的名称 )参数简单解释epochs: 训练轮数。不是越大越好可以先设一个值如50观察损失loss是否还在下降。batch: 批大小。如果你的训练时出现“CUDA out of memory”错误就把这个数字调小。device:‘0’代表使用第一块GPU。如果你不确定可以先用‘cpu’测试流程是否能跑通速度会慢很多。workers: 数据加载的并行数设置成4或8通常能提升速度。3.5 第五步启动训练与查看结果保存好train.py文件后在Jupyter中运行它你可以直接运行包含上述代码的单元格或者在终端中运行python train.py。训练开始后你会看到命令行或单元格下方开始滚动输出信息包括当前训练轮次、损失值、准确率等。训练完成后你会在my_classify_project/exp1目录下找到所有结果其中最重要的包括weights/best.pt: 训练过程中在验证集上表现最好的模型权重这是你最终要用的模型。各种可视化图表如损失曲线、准确率曲线帮助你分析训练过程是否正常。4. 常见问题与排错指南第一次训练难免会遇到问题这里列举几个常见的报错FileNotFoundError(找不到数据或配置文件)检查my_data.yaml中的train和val路径是否正确、绝对。检查数据集文件夹结构是否正确图片是否真的存在于那些路径下。报错CUDA out of memory(GPU内存不足)解决减小batch参数如从16降到8或4。解决减小imgsz参数如从224降到128。解决在train()参数中添加ampFalse关闭自动混合精度训练可能会慢一点。训练损失 (loss) 不下降或准确率很低检查数据集是否太乱或质量太差确保图片和标签是对应的。检查类别数量nc和名称names是否配置正确。尝试增加epochs让模型多学几轮。尝试使用更大的预训练模型如yolo11s-cls.pt。训练速度非常慢确认device参数是否设置为‘0’(GPU) 而不是‘cpu’。调整适当增加workers参数如4或8加快数据加载。5. 总结下一步该做什么恭喜你如果你跟随着步骤走到了这里你已经成功完成了YOLO11分类模型的训练。我们来回顾一下核心步骤环境启动利用预置镜像通过Jupyter Notebook免配置进入开发环境。模型准备下载YOLO11预训练分类模型权重。数据准备按照“类别子文件夹”的结构组织好你的训练集和验证集。配置编写创建一个YAML文件告诉模型数据路径和类别信息。脚本训练编写一个简短的Python脚本设置好参数启动训练。这只是一个开始。有了训练好的best.pt模型你可以进行推理用model.predict(‘your_image.jpg’)来识别新的图片。模型导出将PyTorch模型导出为ONNX等格式便于部署。调整超参数尝试调整学习率(lr0)、优化器等看看能否提升模型精度。应用于实际项目用你自己的数据集训练一个解决具体问题的分类器。深度学习实践的关键就是“动手尝试”。多跑几次流程多换几组数据你对整个过程的感觉会越来越熟练。祝你玩得开心获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。