Windows 下复现 YOLO11 目标检测训练：数据准备、环境安装、训练验证与模型导出

文章摘要

本文以 Ultralytics 8.3.253 源码版本为基础，重新整理 YOLO11 自定义目标检测数据集训练流程。文章从版本固定、数据采集、标注规范、目录整理、Windows 环境安装、数据集 YAML 配置、CLI 与 Python 两种训练方式、预测验证、结果查看、模型导出和常见问题排查几个角度展开。重点不是介绍 YOLO11 的理论细节，而是让读者能够在自己的电脑上把数据集跑通，并为后续 YOLO11 改进、部署和项目实战文章打好统一代码基础。

CSDN 标签

• YOLO11
• Ultralytics
• 目标检测
• PyTorch
• Windows
• 深度学习
• 自定义数据集
• 模型训练

前言

很多 YOLO 教程写得比较早，里面使用的命令、源码路径和模型名称已经和现在的 Ultralytics 项目不完全一致。如果直接拿旧文章去套 YOLO11，经常会遇到两个问题：一个是读者找不到对应文件，另一个是后面写模型改进文章时，不同版本代码结构对不上。

所以这篇文章重新基于 ultralytics-8.3.253 版本来写。本文不追求把所有参数都讲完，而是先把目标检测训练最核心的一条线跑通：

准备图片 -> 标注目标 -> 整理数据集 -> 配置环境 -> 训练 YOLO11 -> 验证模型 -> 导出权重

后续如果要做 YOLO11 添加注意力机制、替换 Neck、导出 ONNX、TensorRT 部署等内容，都可以继续沿用这个版本，减少因为版本变化带来的复现问题。

一、先把版本固定住：为什么本文使用 Ultralytics 8.3.253

本文使用的是本地源码压缩包：

ultralytics-8.3.253.zip

解压后可以在 ultralytics/__init__.py 中看到版本号：

__version__ = "8.3.253"

这个版本已经包含 YOLO11 的模型配置，目标检测模型配置文件在：

ultralytics/cfg/models/11/yolo11.yaml

固定版本有三个好处：

1. 后面修改源码时，文件位置不会变来变去。
2. 写系列文章时，读者能使用同一套代码复现。
3. 出现报错时，更容易判断是代码问题、环境问题还是数据集问题。

需要注意的是，直接执行 pip install ultralytics 可能会安装到更新版本。如果本文是为了后续改进 YOLO11 源码，建议使用源码安装方式，而不是只安装 PyPI 最新包。

二、先规划数据来源：别急着训练模型

训练目标检测模型之前，最容易被忽略的是数据质量。模型能不能学好，很多时候不是由训练命令决定的，而是由图片是否贴近真实应用场景决定的。

常见数据来源可以分成几类：

数据来源	适合情况	注意点
自己拍摄	工业检测、农业检测、安防监控等真实项目	场景最贴近实际，但采集成本高
开源数据集	类别常见、任务通用	类别定义和实际业务可能不完全一致
网络图片	快速补充样本	要注意版权、重复图片和低质量图片
视频抽帧	监控、车载、流水线检测	相邻帧重复度高，需要抽样筛选
合成图片	特殊目标难采集时	只能辅助，不能完全替代真实数据

如果是第一次训练，可以先准备一个小数据集试跑，例如每个类别几十到几百张图片。确认流程没问题后，再扩充数据量。

数据采集时建议提前想清楚这几个问题：

• 要检测的类别有几个？
• 每个类别是否都有足够样本？
• 图片中目标大小是否接近真实使用场景？
• 是否包含白天、夜晚、遮挡、不同角度等情况？
• 是否有大量重复图片？

这些问题比盲目增加训练轮数更重要。

三、标注数据集：统一类别编号和框选规则

YOLO11 目标检测使用的标签格式仍然是 YOLO 检测格式。每张图片对应一个同名 .txt 文件，标签文件中每一行表示一个目标：

类别编号 目标中心点x 目标中心点y 目标宽度 目标高度

这里的坐标不是像素值，而是归一化后的比例值，范围一般在 0~1 之间。

例如：

0 0.5123 0.4382 0.1634 0.2851
1 0.3128 0.6610 0.0924 0.1375

含义是：

• 第一列：类别编号，从 0 开始
• 第二列：目标框中心点的 x 坐标
• 第三列：目标框中心点的 y 坐标
• 第四列：目标框宽度
• 第五列：目标框高度

标注工具可以选择自己顺手的，例如：

• LabelImg
• CVAT
• Roboflow
• Make Sense
• Label Studio

标注时重点检查这几件事：

1. 同一个类别不要一会儿叫 helmet，一会儿叫 hardhat。
2. 类别编号必须从 0 开始，不能跳号。
3. 图片和标签文件必须同名。
4. 框不要明显偏离目标，也不要把目标框少一半。
5. 没有目标的图片可以保留，但要确认训练逻辑是否需要空标签文件。

举个例子，图片和标签应该这样对应：

000001.jpg  ->  000001.txt
000002.jpg  ->  000002.txt
000003.jpg  ->  000003.txt

如果文件名对不上，后面训练时很容易出现标签读取异常，或者明明有图片却没有标签的情况。

四、整理数据集目录：推荐使用 images 和 labels 对称结构

为了让后续配置更清楚，建议把数据集整理成下面这种结构：

SafetyHelmet/
├── images/
│   ├── train/
│   ├── val/
│   └── test/
├── labels/
│   ├── train/
│   ├── val/
│   └── test/
└── helmet.yaml

这里以安全帽检测数据集举例，实际项目中可以换成自己的数据集名称。

各目录作用如下：

目录	作用
images/train	训练图片
labels/train	训练标签
images/val	验证图片
labels/val	验证标签
images/test	测试图片，可选
labels/test	测试标签，可选

如果你的图片和标签一开始都混在一个文件夹里，可以先写一个简单脚本划分。下面这个脚本会读取原始图片目录，然后按照比例复制到新目录中。

from pathlib import Path
import random
import shutil


def make_yolo_dataset(src_images, src_labels, dst_root, train=0.75, val=0.15):
    src_images = Path(src_images)
    src_labels = Path(src_labels)
    dst_root = Path(dst_root)

    image_files = []
    for ext in ("*.jpg", "*.jpeg", "*.png", "*.bmp"):
        image_files.extend(src_images.glob(ext))

    random.seed(2026)
    random.shuffle(image_files)

    train_num = int(len(image_files) * train)
    val_num = int(len(image_files) * val)

    split_map = {
        "train": image_files[:train_num],
        "val": image_files[train_num:train_num + val_num],
        "test": image_files[train_num + val_num:],
    }

    for split_name, files in split_map.items():
        image_out = dst_root / "images" / split_name
        label_out = dst_root / "labels" / split_name
        image_out.mkdir(parents=True, exist_ok=True)
        label_out.mkdir(parents=True, exist_ok=True)

        for image_path in files:
            label_path = src_labels / f"{image_path.stem}.txt"

            shutil.copy2(image_path, image_out / image_path.name)
            if label_path.exists():
                shutil.copy2(label_path, label_out / label_path.name)
            else:
                print(f"未找到标签文件：{label_path}")


make_yolo_dataset(
    src_images=r"D:/dataset_raw/helmet/images",
    src_labels=r"D:/dataset_raw/helmet/labels",
    dst_root=r"D:/datasets/SafetyHelmet",
)

这段脚本的重点不是复杂，而是保证图片和标签同步移动。实际使用时，只需要修改最后三行路径。

五、安装训练环境：使用源码方式更适合后续改进

本文默认在 Windows 环境下操作。先创建一个新的 conda 环境：

conda create -n yolo11_83253 python=3.10
conda activate yolo11_83253

然后进入解压后的源码目录：

cd D:\AIProjects\ultralytics-8.3.253

执行源码安装：

pip install -e .

-e 的意思是 editable，也就是可编辑安装。这样做的好处是：你后面修改源码文件后，不需要每次重新打包安装。

安装完成后，检查一下当前环境中的版本：

python -c "import ultralytics; print(ultralytics.__version__)"

如果输出：

8.3.253

说明当前环境已经指向本文使用的代码版本。

再检查 PyTorch 是否能识别 GPU：

import torch

print("PyTorch:", torch.__version__)
print("CUDA available:", torch.cuda.is_available())
print("CUDA version:", torch.version.cuda)

如果 torch.cuda.is_available() 输出 False，训练仍然可以用 CPU 跑通流程，但速度会慢很多。正式训练建议配置好 CUDA 版本的 PyTorch。

六、编写数据集配置 YAML：训练前最该仔细检查的文件

Ultralytics 训练时需要通过 YAML 文件告诉程序：训练图片在哪、验证图片在哪、类别有哪些。

以安全帽数据集为例，可以新建：

D:/datasets/SafetyHelmet/helmet.yaml

内容如下：

path: D:/datasets/SafetyHelmet
train: images/train
val: images/val
test: images/test

names:
  0: helmet
  1: no_helmet

这个文件很短，但很关键。

字段解释：

• path：数据集根目录
• train：训练集图片路径
• val：验证集图片路径
• test：测试集图片路径，没有测试集可以先不写
• names：类别编号和类别名称

Windows 下建议路径使用 /，例如：

path: D:/datasets/SafetyHelmet

不要写成容易转义出错的形式：

path: D:\datasets\SafetyHelmet

另外，如果标签文件中出现类别编号 2，但是 names 只写到 1，训练时就会报类别越界相关错误。

七、第一次训练 YOLO11：先跑通，不要一开始就堆参数

YOLO11 检测模型可以直接使用预训练权重开始训练。第一次建议使用 yolo11n.pt，因为它比较轻，适合快速验证数据集和环境是否正常。

命令如下：

yolo detect train model=yolo11n.pt data=D:/datasets/SafetyHelmet/helmet.yaml epochs=100 imgsz=640 batch=16 device=0

这条命令可以拆开理解：

参数	说明
detect	目标检测任务
train	训练模式
model=yolo11n.pt	使用 YOLO11n 预训练权重
data=...helmet.yaml	数据集配置文件
epochs=100	训练 100 轮
imgsz=640	输入尺寸为 640
batch=16	每次训练读取 16 张图片
device=0	使用第 0 张 GPU

如果没有 NVIDIA GPU，可以先用 CPU 测试流程：

yolo detect train model=yolo11n.pt data=D:/datasets/SafetyHelmet/helmet.yaml epochs=5 imgsz=640 batch=4 device=cpu

CPU 训练很慢，但用来检查数据集格式是可以的。

如果显存不够，优先改这几个参数：

batch=8
imgsz=512
model=yolo11n.pt

不要一上来就用 yolo11x.pt。大模型更吃显存，数据集没检查好之前没有必要。

八、用 Python 脚本训练：更适合后续做实验对比

如果后续要写改进文章，建议准备一个 Python 训练脚本，方便切换模型和参数。

新建 train_helmet_yolo11.py：

from ultralytics import YOLO


def main():
    model = YOLO("yolo11n.pt")

    model.train(
        data=r"D:/datasets/SafetyHelmet/helmet.yaml",
        epochs=100,
        imgsz=640,
        batch=16,
        device=0,
        workers=4,
        project="runs/helmet",
        name="yolo11n_baseline",
    )


if __name__ == "__main__":
    main()

运行：

python train_helmet_yolo11.py

这里额外设置了：

• project="runs/helmet"：把实验结果统一放到 runs/helmet 下面
• name="yolo11n_baseline"：给本次实验命名为 baseline

后面做模型改进时，可以继续使用类似命名：

yolo11n_baseline
yolo11n_cbam
yolo11n_bifpn
yolo11n_slimneck

这样不同实验结果会更清楚。

九、训练结果保存在哪里：重点看 best.pt 和 results.csv

如果使用上面的 Python 脚本，训练结果会保存在：

runs/helmet/yolo11n_baseline/

常用文件如下：

runs/helmet/yolo11n_baseline/
├── weights/
│   ├── best.pt
│   └── last.pt
├── results.csv
├── results.png
├── confusion_matrix.png
└── args.yaml

文件说明：

文件	作用
best.pt	验证集表现最好的权重，后续预测一般用它
last.pt	最后一轮训练保存的权重
results.csv	每轮训练和验证指标
results.png	损失和指标曲线图
confusion_matrix.png	混淆矩阵
args.yaml	本次训练使用的参数

如果要写实验结果，建议优先根据 results.csv 和 results.png 来整理，不要凭感觉写“效果很好”。

十、预测图片和视频：先用 best.pt 看实际效果

训练完成后，可以先找几张没有参与训练的图片做预测。

命令行预测：

yolo detect predict model=runs/helmet/yolo11n_baseline/weights/best.pt source=D:/datasets/demo_images save=True conf=0.25

参数说明：

• model：训练得到的权重
• source：图片、文件夹、视频或摄像头
• save=True：保存预测结果
• conf=0.25：置信度阈值

如果要预测视频：

yolo detect predict model=runs/helmet/yolo11n_baseline/weights/best.pt source=D:/videos/test.mp4 save=True

如果要调用摄像头：

yolo detect predict model=runs/helmet/yolo11n_baseline/weights/best.pt source=0 show=True

Python 预测写法：

from ultralytics import YOLO


model = YOLO("runs/helmet/yolo11n_baseline/weights/best.pt")
model.predict(
    source=r"D:/datasets/demo_images",
    save=True,
    conf=0.25,
)

预测结果通常会保存到 runs/detect/predict 或新的递增目录中。

十一、验证模型：mAP50 和 mAP50-95 要分清楚

验证命令如下：

yolo detect val model=runs/helmet/yolo11n_baseline/weights/best.pt data=D:/datasets/SafetyHelmet/helmet.yaml device=0

Python 方式：

from ultralytics import YOLO


model = YOLO("runs/helmet/yolo11n_baseline/weights/best.pt")
metrics = model.val(data=r"D:/datasets/SafetyHelmet/helmet.yaml", device=0)

print("mAP50-95:", metrics.box.map)
print("mAP50:", metrics.box.map50)
print("mAP75:", metrics.box.map75)

这里一定要注意：

• metrics.box.map50 是 mAP50
• metrics.box.map 是 mAP50-95

很多文章会把这两个指标混着写，这是不严谨的。一般情况下，mAP50 会比 mAP50-95 高，因为 mAP50 的 IoU 阈值更宽松。

本文不展示未经实际训练得到的指标数值。完成自己的训练后，可以结合 results.csv、results.png 和验证命令输出查看 mAP50、mAP50-95、Precision 与 Recall，所有结果均应以本机实际运行记录为准。

十二、导出模型：为部署提前准备 ONNX 等格式

训练得到的 .pt 权重适合在 PyTorch / Ultralytics 环境中使用。如果要部署到其他推理框架，通常需要导出。

导出 ONNX：

yolo export model=runs/helmet/yolo11n_baseline/weights/best.pt format=onnx imgsz=640

Python 写法：

from ultralytics import YOLO


model = YOLO("runs/helmet/yolo11n_baseline/weights/best.pt")
model.export(format="onnx", imgsz=640)

常见格式可以这样理解：

导出格式	适合场景
ONNX	通用部署，ONNX Runtime、OpenCV DNN 常用
TensorRT	NVIDIA GPU 推理加速
OpenVINO	Intel CPU / 核显部署
TorchScript	PyTorch 生态部署
NCNN	移动端和边缘设备部署

如果只是训练和测试，暂时不导出也可以。导出主要是为了后续写部署、界面调用、端侧推理等内容。

十三、常见问题：先从路径、标签和显存查起

1. yolo 命令无法识别

现象：

'yolo' 不是内部或外部命令

原因： 没有激活正确环境，或者 ultralytics 没有安装成功。

解决方法：

conda activate yolo11_83253
cd D:\AIProjects\ultralytics-8.3.253
pip install -e .

然后重新执行：

yolo version

2. 训练时报数据集路径不存在

原因： helmet.yaml 中的 path、train、val 路径拼接后找不到真实目录。

排查方式： 先手动打开路径，例如：

D:/datasets/SafetyHelmet/images/train
D:/datasets/SafetyHelmet/images/val

确认目录真实存在，并且里面有图片。

3. 标签类别编号越界

现象： 标签中出现了某个类别编号，但 YAML 中没有定义这个类别。

例子：

names:
  0: helmet
  1: no_helmet

但标签文件里出现：

2 0.5 0.5 0.2 0.2

这时类别 2 就是非法编号。需要重新检查标注类别。

4. 图片有标签，但训练时提示标签缺失

原因： 图片名和标签名没有完全对应。

例如：

images/train/001.jpg
labels/train/001.txt

这是正确的。

下面这种就容易出问题：

images/train/001.jpg
labels/train/001.xml

YOLO 检测训练需要 .txt 格式标签。

5. CUDA 显存不足

解决思路：

batch=8
imgsz=512
model=yolo11n.pt

如果还不够，就继续降低 batch，或者先使用 CPU 跑几轮检查流程。

6. Windows 下 dataloader 多进程报错

可以先把 workers 调小：

yolo detect train model=yolo11n.pt data=D:/datasets/SafetyHelmet/helmet.yaml workers=0

如果 workers=0 可以正常运行，再逐步调到 2 或 4。

7. 预测结果保存目录找不到

Ultralytics 会自动创建递增目录，例如：

runs/detect/predict
runs/detect/predict2
runs/detect/predict3

如果不是第一次预测，结果可能不在 predict，而是在后面的递增目录。

十四、总结

本文围绕 Ultralytics 8.3.253 版本，把 YOLO11 自定义目标检测训练流程重新整理了一遍。整个流程的重点不是把命令堆在一起，而是先固定代码版本，再保证数据集格式、环境安装、训练命令和结果查看都能对应起来。

实际做项目时，建议先使用 yolo11n.pt 跑通小规模数据集，确认图片、标签、YAML 和环境没有问题。流程稳定后，再考虑换更大的模型、增加数据量、调整超参数或加入改进模块。

后续如果继续写 YOLO11 改进文章，可以把本篇作为基础环境篇。这样朋友们可以先跑通 baseline，再去看注意力机制、Neck 替换、损失函数修改、模型导出部署等内容，会更容易复现，也更容易判断改进是否真的有效。