从下载到运行，YOLO11完整流程演示-编程阁

从下载到运行，YOLO11完整流程演示

这是一篇真正面向新手的实操指南。不讲抽象原理，不堆技术术语，只说你打开终端后下一步该敲什么命令、点哪里、看什么结果。无论你是刚接触目标检测的学生，还是想快速验证业务场景的工程师，只要你会用鼠标和键盘，就能跟着本文把YOLO11跑起来——从镜像下载、环境启动，到训练自己的数据、看到分割效果，全程无断点。

我们用的是CSDN星图提供的预置YOLO11镜像，它已经帮你装好了PyTorch、CUDA、Ultralytics 8.3.9、Jupyter Lab、SSH服务等全部依赖，省去手动配置GPU环境的数小时折腾。下面所有操作，都是在镜像启动后的实际环境中验证过的真路径、真命令、真输出。

1. 镜像获取与容器启动

1.1 下载并运行YOLO11镜像

YOLO11镜像无需从零构建，直接拉取即可。在你的Linux或macOS终端中执行：

docker pull registry.cn-hangzhou.aliyuncs.com/csdn-ai/yolo11:latest

拉取完成后，使用以下命令一键启动容器（已预配置好端口映射和GPU支持）：

docker run -d \ --gpus all \ --shm-size=8g \ -p 8888:8888 \ -p 2222:22 \ -v $(pwd)/workspace:/workspace \ --name yolo11-env \ registry.cn-hangzhou.aliyuncs.com/csdn-ai/yolo11:latest

说明：
-p 8888:8888映射Jupyter Lab端口；
-p 2222:22映射SSH端口，方便VS Code远程连接；
-v $(pwd)/workspace:/workspace将当前目录挂载为/workspace，所有代码和数据都存这里，重启容器不丢失。

启动后，用docker ps确认容器正在运行：

$ docker ps | grep yolo11-env a1b2c3d4e5f6 registry.cn-hangzhou.aliyuncs.com/csdn-ai/yolo11:latest "/bin/bash -c 'ser..." 2 minutes ago Up 2 minutes 0.0.0.0:8888->8888/tcp, 0.0.0.0:2222->22/tcp yolo11-env

1.2 获取Jupyter访问链接

容器启动后，Jupyter Lab会自动生成带Token的访问地址。执行：

docker logs yolo11-env 2>&1 | grep "http://127.0.0.1:8888"

你会看到类似输出：

http://127.0.0.1:8888/?token=abc123def456ghi789jkl012mno345pqr678stu901

复制整个URL，在浏览器中打开（注意把127.0.0.1换成你宿主机IP，如http://192.168.1.100:8888/...），即可进入Jupyter Lab界面。

小技巧：首次进入后，右键点击左侧文件栏 → “上传”，可直接拖入你的图片、JSON标注文件或数据集ZIP包。

2. 环境验证与项目结构初始化

2.1 进入工作目录并确认版本

在Jupyter Lab中，新建一个Terminal（菜单栏 → File → New → Terminal），然后执行：

cd /workspace ls -l

你应该看到镜像已预置好ultralytics-8.3.9/目录（注意不是ultralytics-main，是精简优化后的稳定版）：

drwxr-xr-x 12 root root 368 Dec 15 10:22 ultralytics-8.3.9

验证YOLO11是否可用：

cd ultralytics-8.3.9 python -c "from ultralytics import YOLO; print('YOLO11 ready '); print(YOLO('yolo11n-seg.pt').model.names)"

输出类似：

YOLO11 ready {0: 'person', 1: 'bicycle', 2: 'car', 3: 'motorcycle', ..., 79: 'toothbrush'}

表示模型加载成功，COCO 80类标签已就绪。

2.2 初始化标准项目结构

在/workspace下创建清晰的工程目录（推荐直接在Jupyter Lab中右键新建文件夹）：

/workspace/ ├── datasets/ # 存放你的数据集（train/val/test） ├── weights/ # 存放预训练权重（yolo11m-seg.pt等） ├── configs/ # 存放yaml配置（数据集+模型结构） ├── train.py # 训练脚本（我们马上写） ├── infer.py # 推理脚本 └── notebooks/ # Jupyter实验记录（可选）

关键提醒：镜像中weights/目录已内置常用权重（yolo11n-seg.pt,yolo11m-seg.pt,yolo11l-seg.pt），无需额外下载。路径固定为/workspace/weights/。

3. 数据准备：从标注到YOLO格式转换

3.1 用Labelme快速标注（Windows/macOS/Linux通用）

如果你还没有标注数据，用Labelme最简单：

安装：pip install labelme（镜像里已预装）
启动：终端中输入labelme，自动打开图形界面
标注：点击“Open Dir”选择图片文件夹 → “Create Polygon”画轮廓 → “Save”生成.json

实测建议：首张图标注后，按Ctrl+R可批量重用标签名，大幅提升效率。

3.2 一行命令完成JSON→YOLO txt转换

镜像中已内置转换脚本/workspace/ultralytics-8.3.9/utils/labelme2yolo.py。你只需指定三件事：

JSON所在目录（如/workspace/datasets/mydata/jsons/）
输出txt目录（如/workspace/datasets/mydata/labels/）
图片宽高（如640×640）

执行（替换为你的真实路径）：

cd /workspace/ultralytics-8.3.9 python utils/labelme2yolo.py \ --json_dir /workspace/datasets/mydata/jsons/ \ --save_dir /workspace/datasets/mydata/labels/ \ --img_width 640 \ --img_height 640

脚本会自动读取每个JSON里的shapes，按YOLO11分割格式（class_id x1 y1 x2 y2 ...）生成同名.txt，并跳过未在label_to_class_id字典中定义的类别。

查看生成效果：head -n 2 /workspace/datasets/mydata/labels/001.txt
输出示例：0 0.214532 0.332145 0.287654 0.332145 0.287654 0.412345 ...

4. 配置与训练：三步走通

4.1 写一个极简的数据集YAML

在/workspace/configs/下新建mydata-seg.yaml，内容仅需6行：

# mydata-seg.yaml path: ../datasets/mydata # 相对于yaml文件的路径 train: images/train val: images/val test: images/test # 可选 names: 0: person 1: car

注意：path是相对路径，指向你存放images/和labels/的父目录；names必须与JSON中标注的标签名完全一致（区分大小写）。

4.2 选择模型配置（不用改！直接用）

YOLO11提供多种尺寸模型，镜像中已预置：

yolo11n-seg.yaml（轻量，适合笔记本GPU）
yolo11m-seg.yaml（平衡，A30/A10推荐）
yolo11l-seg.yaml（高精度，A100/V100）

无需修改任何参数，直接调用即可。例如用中型模型：

ls /workspace/ultralytics-8.3.9/cfg/models/11/yolo11m-seg.yaml

输出存在即表示可用。

4.3 运行训练：一个Python脚本搞定

在/workspace/train.py中粘贴以下代码（已适配镜像环境，无需修改路径）：

from ultralytics import YOLO # 加载模型结构 + 预训练权重 model = YOLO("ultralytics-8.3.9/cfg/models/11/yolo11m-seg.yaml").load("weights/yolo11m-seg.pt") # 开始训练（关键参数已设为新手友好值） results = model.train( data="configs/mydata-seg.yaml", # 你的数据集配置 epochs=30, # 小数据集30轮足够 imgsz=640, # 输入尺寸（必须和标注时一致） batch=8, # A30显存下安全值 name="mydata_train", # 结果保存在 runs/segment/mydata_train project="runs/segment", # 统一管理所有训练 device=0, # 强制使用GPU 0（镜像默认启用） workers=4, # 数据加载线程 save=True, val=True, plots=True # 自动画loss/mAP曲线 )

在Jupyter Terminal中运行：

cd /workspace python train.py

你会看到实时训练日志（每轮进度条+GPU显存+各项loss），约10分钟后出现：

30 epochs completed in 0.123 hours. Results saved to runs/segment/mydata_train

训练结束后，打开Jupyter Lab左侧runs/segment/mydata_train/文件夹，双击results.csv可查看每轮详细指标；双击train_batch0.jpg可直观看到模型学到了什么。

5. 推理与效果验证：所见即所得

5.1 用训练好的模型做推理

在/workspace/infer.py中写入：

from ultralytics import YOLO # 加载你刚训练好的最佳权重 model = YOLO("runs/segment/mydata_train/weights/best.pt") # 对单张图推理（结果自动保存到 runs/detect/predict/） results = model.predict( source="datasets/mydata/images/test/001.jpg", conf=0.5, save=True, # 关键！保存带分割掩码的图片 save_txt=True, # 同时保存坐标文本 show_labels=True, line_width=2 ) print(f"检测到 {results[0].boxes.shape[0]} 个目标") print(f"分割掩码形状: {results[0].masks.data.shape}") # [N, H, W]

运行：

cd /workspace python infer.py

几秒后，打开runs/segment/predict/001.jpg——你会看到原图上叠加了彩色分割轮廓、类别标签和置信度，每个目标都被精准抠出。

5.2 批量推理与结果分析

想处理整个测试集？只需改一行：

source="datasets/mydata/images/test/" # 改为文件夹路径

运行后，runs/segment/predict/下会生成所有结果图。你还可以用以下代码快速统计：

# 在Jupyter Notebook中运行 from glob import glob import cv2 results_dir = "runs/segment/predict/" img_files = glob(results_dir + "*.jpg") print(f"共生成 {len(img_files)} 张结果图") # 查看第一张的分割掩码数量 mask = cv2.imread(results_dir + "001.jpg", cv2.IMREAD_UNCHANGED) print(f"掩码通道数: {mask.shape[2] if len(mask.shape)>2 else 1}")

6. 进阶提示：让YOLO11更好用的3个实践技巧

6.1 快速切换设备：CPU/GPU/多卡

镜像默认启用GPU，但你想临时用CPU调试？改device参数即可：

# CPU模式（无GPU时自动回退） model.train(device="cpu", ...) # 多GPU并行（如2张A10） model.train(device=[0,1], batch=16, ...) # batch需按GPU数翻倍

6.2 实时监控训练过程

除了看终端日志，镜像还预装了TensorBoard。训练时加参数：

model.train(..., tensorboard=True) # 自动生成logs/

然后在新Terminal中启动：

tensorboard --logdir=runs/segment/mydata_train/tensorboard --bind_all --port=6006

浏览器访问http://你的IP:6006，即可看到动态loss曲线、PR曲线、特征图可视化。

6.3 模型导出为ONNX供生产部署

训练完想集成到其他系统？一行导出：

model.export(format="onnx", dynamic=True, simplify=True)

生成best.onnx，大小约45MB，支持TensorRT加速。镜像中已预装onnxsim，可进一步简化：

onnxsim runs/segment/mydata_train/weights/best.onnx runs/segment/mydata_train/weights/best_sim.onnx

7. 常见问题速查表

问题现象	可能原因	一句话解决
`ImportError: No module named 'torch'`	容器未正确启动GPU	`docker restart yolo11-env`，再检查`nvidia-smi`是否可见
Jupyter打不开，报404	Token过期或端口冲突	`docker logs yolo11-env \| grep token`重新获取；或换端口`-p 8889:8888`
训练时显存OOM	batch太大或imgsz过高	改`batch=4`+`imgsz=320`，或换`yolo11n-seg.yaml`
分割结果全是黑块	`save=True`没加，或图片路径错误	检查`source`路径是否存在，确保`save=True`且`show_boxes=True`
推理结果没有颜色掩码	权重加载错误	确认`best.pt`路径正确，且是`seg`后缀权重（非`det`或`pose`）