YOLO11s 汽车检测项目

一个基于 YOLOv11(s) 的单类别“汽车”目标检测项目，包含数据、训练脚本、摄像头推理脚本与已训练权重，适合快速上手训练与部署。

训练产出与评估

• 训练过程曲线、混淆矩阵与样本可视化位于 runs/train/<exp>/。

• 最优权重 best.pt 与最新权重 last.pt 位于 runs/train/<exp>/weights/。

• 训练与验证整体结果：

• 混淆矩阵：

• 标注分布预览：

• 验证集预测样例：

• 训练批次样例：

功能概览

• 训练: 使用 train.py 与 data.yaml/hyp.yaml 完成从零训练或基于 yolo11s.pt 微调。
• 推理: 使用 predict_webcam.py 进行摄像头实时检测，或使用 Ultralytics CLI 对图片/文件夹推理。
• 可视化与权重: 训练输出保存在 runs/train/...，包含曲线、样本可视化与 best.pt/last.pt。

目录结构

• train/, valid/, test/: 按 YOLO 标准格式组织的数据集（images/ 与 labels/）。
• data.yaml: 数据集配置（训练/验证路径与类别信息）。
• hyp.yaml: 训练超参数配置。
• yolo11s.pt: 预训练基线权重（s 规模）。
• train.py: 训练入口脚本。
• predict_webcam.py: 摄像头实时检测脚本。
• runs/train/...: 训练输出（指标、可视化、权重）。

环境要求

• Python 3.8+
• PyTorch（GPU 可选，推荐 CUDA 环境）
• Ultralytics（YOLOv8/YOLOv11 框架）
• OpenCV（用于摄像头推理）

安装示例：

pip install ultralytics opencv-python

数据准备

确保数据为 YOLO 标注格式：

• images/：存放图片；labels/：同名 .txt，内容为 class x_center y_center width height（归一化坐标）。
• 更新 data.yaml 中的路径与 names（类别列表，仅包含 car）。

快速开始

1. 训练（使用项目脚本）：

python train.py

常见可配参数在 data.yaml 与 hyp.yaml 中调整。

2. 摄像头实时推理：

python predict_webcam.py --weights runs/train/yolo11s_car3/weights/best.pt

若无训练权重，可先试用 yolo11s.pt（效果较弱，建议使用自训 best.pt）。

3. 图片/文件夹推理（可选，使用 Ultralytics CLI）：

yolo predict model=runs/train/yolo11s_car3/weights/best.pt source="test"

注意事项

• 保证 data.yaml 中 nc 与 names 与标注一致（本项目为单类别：car）。
• 显存不足时可降低 imgsz、batch，或启用更小模型规模。
• 使用 GPU 训练/推理能显著提升速度与效果稳定性。