提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

---

前言

基于博主 F8000 的文章YOLOv11超详细环境搭建以及模型训练（GPU版本），
本文搭建了YOLOv11的基础环境和模型，验证《基于pycharm的YOLOv11模型训练方法》。

一、前期准备

1.1 软件环境配置

下载pycham与环境搭建，参考前言的博主文章

1.2 训练集参考

较大，1.3G
百度网盘

二、训练步骤

2.1 打开文件夹

2.2 打开文件

1.打开三个文件：date.yaml ； train.py ； detect.py
注：1.py是多余的可以删除

2.3 data.yaml

1.右键“datasets”→点击“复制路径”；点击“绝对路径” 就是 复制 ， 复制到path

2.将“train images”的绝对路径， 复制到 train中；“val”同理
注：# 在python 代表 注释

3.打开子文件“data.yaml”（datasets内的），将 name 复制到主文件的“data”中

最终代码

#路径一定要用自己的，直接复制是没用的
path: D:\Download\ultralytics-8.3.39\datasets
train: D:\Download\ultralytics-8.3.39\datasets\train\images
val: D:\Download\ultralytics-8.3.39\datasets\val\images
#test: C:\Users\HP\Desktop\ultralytics-8.3.39\rice_yolo\testnc: 5   
# nc是  name的个数，就是说 0-4 共有  5# Classes ['Blast', 'Blight', 'Brown Spot', 'Healthy', 'Tungro']
names:0: Blast1: Blight2: Brown Spot3: Healthy4: Tungro

三、train.py

1.打开 train.py，
-右键“yolo11.pt”→点击“复制路径”；点击“来自内容根的路径” ， 复制到path
-右键“data.yaml”（主文件的data，不是datasets里面的）→点击“复制路径”；点击“来自内容根的路径” ， 复制到data

model 为 选用的 算法和模拟环境
imgsz=640,    图像大小 可先不管
epochs=5,  # 训练轮数，3/5轮的尝试就好，1轮需要1分钟一定要用 GPU训练 ，CPU特别慢
device=0,  # 使用的 GPU 设备编号，0 表示第一个 GPU，如果使用 CPU 则设为 'cpu'

2.配置 Python解释器， 点击 绿色的运行

四、最终结果

注：训练速度较慢

all 为全部特征的平均精度Blast        Blight      Brown Spot                   Healthy Tungro      为 对应的五个特征识别的精度mAP50 那一列就是精度值

五、detect.py

1.打开 detect.py，找到最新的训练结果文件夹“train12”，best.pt就是训练好的模型，复制到detect.py中（使用 来自内容跟的路径 ）
注：
复制的内容 /与原先的\不同，这是错的，要手动修改
// 或者 \ 或者 \ 都可以
2.在最初的图片集中，随便选用一张，复制 （来自内容跟的路径 ） ，注意 \ /的格式，点击运行

3. 配置解释器“yolov11”→ 运行，弹出检测效果 0.87 的概率

双击该图片可以查看原图

六、 拓展 test.py

1.双击打开 test.py→运行→配置环境，运行

2.弹出软件→点击“模型选择”→找到最新的训练模型“best.pt”，打开

3.点击“图片检测”→任意寻找一张图片→打开

最终效果

总结

本文搭建了YOLOv11的基础环境和模型，验证《基于pycharm的YOLOv11模型训练方法》。