# YOLOv11模型训练

>i **信息提示**
>
> *   机器人镜像已经包含了预训练的交通标志识别模型，本>节教程提供给有需要自行训练yolov11目标检测模型和掌握模>型训练方法的用户。 
>   如果需要直接体验完整功能，可略过本节课程！！！
>   如果使用出厂镜像中的数据集训练模型，需要先解压.zip格式的数据集压缩包。
>  本教程主要是在orin nano主板上面进行

## 1. 课程内容

1.  掌握训练YOLOv11训练目标检测模型的方法

## 2. 预训练模型

*   **只有orin主板才建议在主板上进行模型训练，RDK主板因为性能不足需要在自己带GPU的主机进行标注和训练，训练源码在源码汇总的模型训练下的yolo_train文件夹，需要训练的可以自行将yolo_train文件夹程序放到主板根目录下**

*   yolo11n.pt基模型

/home/jetson/yolo_train/yolo11n.pt

![image-20251201222048603](/media/202512/7c3523f75f9744d3aac51800a10a4f937994.png)

*   车道线检测模型路径：

/home/jetson/yahboomcar_ros2_ws/yahboomcar_ws/src/auto_drive/tools/lane_V6.engine

*   交通标识识别模型路径：

/home/jetson/yahboomcar_ros2_ws/yahboomcar_ws/src/auto_drive/tools/sign_model.engine

![image-20251201222232792](/media/202512/8a04ff9748df468abcb3c3188a7cf57e8028.png)

## 3. 训练交通标识识别模型（案例1）

yolov11训练目标检测模型的程序路径：`/home/jetson/yolo_train/train.py`

可选启动参数说明：

*   **project**： 训练输出文件夹，默认为`./project`
    
*   **MODEL_PATH**:yolov11基模型路径，默认为`/home/jetson/MODELS/yolov11/yolo11n.pt`
    
*   **epochs**：训练轮次，轮次越多识别模型效果越好，默认为100轮
    
*   **imgsz**：训练图像尺寸，默认为640
    
*   **train_config**：配置文件路径，用于描述数据集路径和目标类别

### 3.1开始训练

*   这里以训练50轮次为例（建议训练轮次在100轮以上）：

cd ~/yolo_train

python3 train.py --epochs 50 --train_config=/home/jetson/yolo_train/train_sign/sign.yaml

![image-20251117201106639](/media/202512/4a4a7d463bb844f9a35f01e66cf432a64427.png)

*   训练过程中会显示每个轮次的训练时长和损失值

![image-20251118092021283](/media/202512/434cdef699e14337bf9298c553ac3f983787.png)

*   **Epoch** 当前训练轮次
    
*   **GPU_mem** 当前训练占用的 GPU 内存
    
*   **box_loss** 边界框回归损失值，衡量预测框与真实框（位置、大小）的差异，值越小说明框定位越准
    
*   **cls_loss** 分类损失值，衡量预测类别与真实类别的差异，值越小说明分类越准。
    
*   **dfl_loss** 分布焦点损失，用于优化边界框的回归精度，尤其针对小目标，值越小说明边界框细节预测越准。
    
*   **Instances 46**：当前批次（batch）中包含的目标实例总数。
    
*   **Size 640**：输入图像的尺寸为 640x640（YOLOv11 默认的训练输入尺寸）。

*   训练完成后终端会提示训练输出文件的保存路径

![image-20251117203909383](/media/202512/33a8148d6f224e459558e72fdbe4aa954791.png)

*   在输出文件夹中我们可以看到如下内容
    
*   **weights**训练的模型权重文件
    
*   **.png** 训练过程中的得分数据

![image-20251117204105965](/media/202512/0edc9022bb234506846447d02adf47d95486.png)

## 4. 训练车道线检测模型（案例2）

*   训练方法和前边相同

cd ~/yolo_train

*   开始训练

python3 train.py --epochs 50 --train_config=/home/jetson/yolo_train/train_lane/lane.yaml --project './project2'

这里`--project`参数是指定训练输出文件的文件夹，用于和前边的交通标识识别模型区分，这里路径设置为`'./project2'`，训练完成后模型权重文件会保存在project参数指定的路径中

## 5.源码解析

### 5.1 YOLOv11训练程序

程序源码位于`/home/jetson/yolo_train/train.py`

*   通过`argparse`库定义了训练过程中需要的配置参数，允许在运行脚本时通过命令行传入参数
    
*   训练过程中，会自动生成日志、损失曲线、评估指标（如 mAP）、模型权重文件（best.pt、last.pt 等），并保存在`--project`指定的目录中。

```
import argparse
from ultralytics import YOLO

def get_args():
    '''
    '''
    parser = argparse.ArgumentParser()
    parser.add_argument('--project', default='./project', help='Project file output directory', type=str)
    parser.add_argument('--MODEL_PATH',default='/home/jetson/MODELS/yolov11/yolo11n.pt' ,help='原始模型权重文件路径Original model weight file path', type=str)
    parser.add_argument('--epochs', default=100, help='训练轮次Training rounds', type=int)
    parser.add_argument('--imgsz', default=640, help='图像大小Image size', type=int)
    parser.add_argument('--train_config', default='', help='配置文件路径Configuration file path', type=str)
    return parser.parse_args()

if __name__ == "__main__":
    args = get_args()
    model = YOLO(args.MODEL_PATH)  # 加载预训练模型  load a pretrained model

results = model.train(data=args.train_config, epochs=args.epochs, imgsz=args.imgsz,project=args.project)#开始训练 start training
```

3、YOLOv11模型训练