YOLOv12 微调示例

本文转载改编自：https://mp.weixin.qq.com/s/XaLFMHCz8cAdvZb-73wt0g

1、下载 YOLOv12 代码

首先，进入YOLOv12的GitHub仓库，按照图示流程下载打包好的YOLOv12代码与预训练权重文件到本地。
https://github.com/sunsmarterjie/yolov12

git clone https://github.com/sunsmarterjie/yolov12

2、准备数据集

Ultralytics 版本的YOLO 所需格式的数据集，标签为 txt 格式的文本文件。

文本文件中保存的标签信息分别为：
类别序号、中心点x坐标、中心点y坐标、归一化后的长度、归一化后的宽度
每一行对应一个对象，图像中有几个标注的对象就有几行信息。

自制数据集标注教程可看此篇文章：https://blog.csdn.net/StopAndGoyyy/article/details/139906637

如果没有自己的数据集，本文提供一个小型数据集（摘自SIMD公共数据集)以供测试代码，包含24张训练集以及20张测试集。
下载链接：https://pan.quark.cn/s/f318a977f81c 提取码：LQ68

下载完成后将提供的 datasets文件夹 解压并复制到工程跟路径下。解压后，文件夹名字为 datasets。

创建 data.yaml 文件

创建 data.yaml 文件保存数据集的相关信息，如果使用本文提供的数据集可使用以下代码：

# 数据集路径 
train: ./images/train
val: ./images/test
test: ./images/test

# 类别数
nc: 15

# 类名 
names: ['car', 'Truck', 'Van', 'Long Vehicle','Bus', 'Airliner', 'Propeller Aircraft', 'Trainer Aircraft', 'Chartered Aircraft', 'Fighter Aircraft', 'Others', 'Stair Truck', 'Pushback Truck', 'Helicopter', 'Boat']  

3、模型训练

创建 train.py 文件，依次填入以下信息。

from ultralytics.models import YOLO
import os
os.environ['KMP_DUPLICATE_LIB_OK'] = 'True'

if __name__ == '__main__':
	model_path = 'ultralytics/cfg/models/11/yolo11.yaml'
    model = YOLO(model=model_path)
    # model.load('yolov8n.pt') 
    model.train(data='./data.yaml', epochs=2, batch=1, device='0', 
                imgsz=640, workers=2, cache=False,
                amp=True, mosaic=False, project='runs/train', name='exp')

参数说明：

• epochs=2 表示只训练两轮，通常设置为100-300之间，此处仅测试两轮。
• batch=1 表示每批次仅训练一张图片，可按显存大小调整batchsize，一般24g卡可设置为16-64。

参数说明

点击运行代码
待软件控制台打印如下信息即为运行成功。如果Flash_attn包报错，可使用本文的A2代码对原文代码进行更改。

查看结果

训练完成后在 runs/train 文件夹下保存有训练好的权重及相关训练信息。

4、模型预测

创建 detect.py 文件，填入训练好的权重路径及要检测的图片信息。

import os 
from ultralytics.models import YOLO

os.environ['KMP_DUPLICATE_LIB_OK'] = 'TRUE' 

if __name__ == '__main__':
    model_path = '/Users/.../yolov12/runs/train/exp/weights/best.pt' 
    model = YOLO(model_path) 

    source_dir = '.../data/01'
    results = model.predict(source=source_dir, imgsz=640, project='runs/detect/', name='exp' )
    print('-- results : \n', results ) 

2025-06-24（二）