一.数据准备：
1.数据集格式：
目录结构示例：
datasets/├── images/│ ├── train/ # 训练图片│ └── val/ # 验证图片└── labels/├── train/ # 训练标签└── val/ # 验证标签每张图片对应一个 .txt 标注文件，内容为：
<class_id> <x_center> <y_center> <width> <height> # 归一化坐标（0~1）2.将 VOC 格式的数据集转换为 YOLO 格式的数据集：
把 VOC 格式（XML标注）的数据集，转换成 YOLO 格式（TXT文本标注）的数据集，方便 YOLO 模型直接训练。
关键转换步骤：
(1) 坐标转换（核心）
VOC 的 XML 中存储的是绝对坐标：
<xmin>100</xmin>
<ymin>50</ymin>
<xmax>300</xmax>
<ymax>200</ymax>👉 转换为 YOLO 的相对坐标（0~1）：
0 0.25 0.125 0.5 0.375
（格式：类别ID x_中心 y_中心 宽度 高度）
(2) 自动生成类别映射
- 扫描所有 XML 文件，自动提取类别名称（如
cat,dog）。 - 为每个类别分配数字 ID（如
cat→0,dog→1）。
(3) 文件结构重组
VOC格式目录结构： YOLO格式目录结构：
D:/dataset/ D:/dataset/
├── Annotations/ ├── images/
│ ├── 001.xml │ ├── 001.jpg
│ └── 002.xml │ └── 002.jpg
└── JPEGImages/ └── labels/├── 001.jpg ├── 001.txt└── 002.jpg └── 002.txt为什么需要这个转换？
- YOLO 不吃 XML：YOLO 系列模型训练时需要的是简单的 TXT 标注文件。
- 统一标准：避免手动标注格式混乱。
- 效率提升：自动化转换比手动处理快100倍。
完整代码：
如何使用？
- 确保你的 VOC 数据集有
Annotations/和JPEGImages/目录。 - 修改代码中的路径：
voc_data_path = '你的/VOC/数据集路径' yolo_data_path = '输出的/YOLO/路径' - 运行脚本，得到可直接用于 YOLO 训练的数据集。
import os
import shutil
import xml.etree.ElementTree as ET# VOC格式数据集路径
voc_data_path = 'D:/YOLO/ultralytics-8.3.39/fall'
voc_annotations_path = os.path.join(voc_data_path, 'Annotations')
voc_images_path = os.path.join(voc_data_path, 'JPEGImages')# YOLO格式数据集保存路径
yolo_data_path = 'D:/YOLO/ultralytics-8.3.39/data'
yolo_images_path = os.path.join(yolo_data_path, 'images')
yolo_labels_path = os.path.join(yolo_data_path, 'labels')# 创建YOLO格式数据集目录
os.makedirs(yolo_images_path, exist_ok=True)
os.makedirs(yolo_labels_path, exist_ok=True)# 自动生成类别映射
class_mapping = {}
class_id = 0for voc_annotation in os.listdir(voc_annotations_path):if voc_annotation.endswith('.xml'):tree = ET.parse(os.path.join(voc_annotations_path, voc_annotation))root = tree.getroot()for obj in root.findall('object'):cls = obj.find('name').textif cls not in class_mapping:class_mapping[cls] = class_idclass_id += 1print("自动生成的类别映射：", class_mapping)def convert_voc_to_yolo(voc_annotation_file, yolo_label_file):tree = ET.parse(voc_annotation_file)root = tree.getroot()size = root.find('size')width = float(size.find('width').text)height = float(size.find('height').text)with open(yolo_label_file, 'w') as f:for obj in root.findall('object'):cls = obj.find('name').textif cls not in class_mapping:continuecls_id = class_mapping[cls]xmlbox = obj.find('bndbox')xmin = float(xmlbox.find('xmin').text)ymin = float(xmlbox.find('ymin').text)xmax = float(xmlbox.find('xmax').text)ymax = float(xmlbox.find('ymax').text)x_center = (xmin + xmax) / 2.0 / widthy_center = (ymin + ymax) / 2.0 / heightw = (xmax - xmin) / widthh = (ymax - ymin) / heightf.write(f"{cls_id} {x_center} {y_center} {w} {h}\n")# 遍历VOC数据集的Annotations目录，进行转换
for voc_annotation in os.listdir(voc_annotations_path):if voc_annotation.endswith('.xml'):voc_annotation_file = os.path.join(voc_annotations_path, voc_annotation)image_id = os.path.splitext(voc_annotation)[0]voc_image_file = os.path.join(voc_images_path, f"{image_id}.jpg")yolo_label_file = os.path.join(yolo_labels_path, f"{image_id}.txt")yolo_image_file = os.path.join(yolo_images_path, f"{image_id}.jpg")convert_voc_to_yolo(voc_annotation_file, yolo_label_file)if os.path.exists(voc_image_file):shutil.copy(voc_image_file, yolo_image_file)print("转换完成！")二.模型处理：
1.训练模型：
import os
os.environ["KMP_DUPLICATE_LIB_OK"] = "TRUE"
from ultralytics import YOLOmodel = YOLO("yolo11n.pt") # Load a pretrained model
results = model.train(data="D:/YOLO/ultralytics-8.3.39/data.yaml",epochs=100, imgsz=640, batch=16,device=0,workers=0, iou=0.4)
2.使用模型：
import os
os.environ["KMP_DUPLICATE_LIB_OK"] = "TRUE"
from ultralytics import YOLO# Load a model
model = YOLO("D:/YOLO/ultralytics-8.3.39/runs/detect/train5/weights/best.pt")# Perform object detection on an image
results = model("图片地址")
results[0].show()
3.pt转onnx：
import os
os.environ['KMP_DUPLICATE_LIB_OK'] = 'True'
from ultralytics import YOLO# 加载 YOLOv11 模型
model = YOLO('D:/YOLO/ultralytics-8.3.39/runs/detect/train3/weights/best.pt')# 导出为 ONNX 格式
model.export(format='onnx', imgsz=640)三.数据分析：
对比不同训练过程的结果（如不同模型或训练策略），通过图表展示以下指标：
- 精度指标：Precision、Recall、mAP@50、mAP@50-95
- 损失指标：训练集和验证集的Box/Class/DFL损失
项目目录：
项目目录/
├── plot_results.py # 当前脚本
├── env/ # 存放训练结果的目录
│ ├── results.csv # 第一次训练结果
│ └── results-final.csv # 第二次训练结果然后修改配置文件路径：
results_files = ['./env/results.csv', # 第一个训练结果文件'./env/results-final.csv' # 第二个训练结果文件
]custom_labels = ['yolov11', # 第一个结果的图例标签'yolov11-ema' # 第二个结果的图例标签
]- 替换路径：将
./env/改为你的实际结果文件路径（如runs/train/exp1/results.csv） - 自定义标签：修改
custom_labels中的名称，用于区分不同曲线（如"yolov11-baseline"）
修改对比指标：
# 示例：添加F1分数对比
metrics = ['metrics/precision(B)', 'metrics/recall(B)', 'metrics/mAP50(B)', 'metrics/F1'
]
labels = ['Precision', 'Recall', 'mAP@50', 'F1 Score'
]调整图表布局：
plot_comparison(metrics, labels, custom_labels, layout=(3, 2)) # 改为3行2列保存图表：
plt.savefig('training_comparison.png', dpi=300, bbox_inches='tight')下面是完整代码：
# -*- coding: utf-8 -*-
import pandas as pd
import matplotlib.pyplot as plt# 训练结果列表
results_files = ['./env/results.csv','./env/results-final.csv'
]# 与results_files顺序对应
custom_labels = ['yolov11','yolov11-ema',
]#
def plot_comparison(metrics, labels, custom_labels, layout=(2, 2)):fig, axes = plt.subplots(layout[0], layout[1], figsize=(15, 10)) # 创建网格布局axes = axes.flatten() # 将子图对象展平，方便迭代for i, (metric_key, metric_label) in enumerate(zip(metrics, labels)):for file_path, custom_label in zip(results_files, custom_labels):df = pd.read_csv(file_path)# 清理列名中的多余空格df.columns = df.columns.str.strip()# 检查 'epoch' 列是否存在if 'epoch' not in df.columns:print(f"'epoch' column not found in {file_path}. Available columns: {df.columns}")continue# 检查目标指标列是否存在if metric_key not in df.columns:print(f"'{metric_key}' column not found in {file_path}. Available columns: {df.columns}")continue# 在对应的子图上绘制线条axes[i].plot(df['epoch'], df[metric_key], label=f'{custom_label}')axes[i].set_title(f' {metric_label}')axes[i].set_xlabel('Epochs')axes[i].set_ylabel(metric_label)axes[i].legend()plt.tight_layout() # 自动调整子图布局，防止重叠plt.show()if __name__ == '__main__':# 精度指标metrics = ['metrics/precision(B)', 'metrics/recall(B)', 'metrics/mAP50(B)', 'metrics/mAP50-95(B)']labels = ['Precision', 'Recall', 'mAP@50', 'mAP@50-95']# 调用通用函数绘制精度对比图plot_comparison(metrics, labels, custom_labels, layout=(2, 2))# 损失指标loss_metrics = ['train/box_loss', 'train/cls_loss', 'train/dfl_loss', 'val/box_loss', 'val/cls_loss', 'val/dfl_loss']loss_labels = ['Train Box Loss', 'Train Class Loss', 'Train DFL Loss', 'Val Box Loss', 'Val Class Loss', 'Val DFL Loss']# 调用通用函数绘制损失对比图plot_comparison(loss_metrics, loss_labels, custom_labels, layout=(2, 3))