机器视觉识别yolov11 进行模型训练导出onnx模型安装以及模型训练使用过程
主要库介绍：
ultralytics ：是一个用于计算机视觉任务库，专注于提供高效、易用的目标检测、实例分割和图像分类工具。它最著名的功能是实现 YOLO（You Only Look Once） 系列模型。
PyTorch：用于模型开发和训练，提供强大的灵活性和丰富的库支持 分cpu版和gpu版本
ONNX：充当一个中间层格式，促进不同深度学习框架之间的模型互操作性和标准化。
NCNN：专注于高效的模型推理，特别是在移动和嵌入式设备上。

1.安装conda （自己去找安装教程）
2. 配置环境变量 指定conda 的安装目录以及script目录
3. 创建虚拟环境并激活

    conda create --name yolov11 python==3.11.9
   conda activate  yolov11

4. 安装ultralytics库这个库包含了几乎全部运行yolov11所需的环境，输入以下命令后耐心等待即可

pip install ultralytics 

注意：上面这个里面默认cpu版本的pytorch相关的依赖
如果是gpu 需要安装 gpu版本的pytorch 相关的依赖

5.下载YOLOv11 源码
https://github.com/ultralytics/ultralytics 也可以去gitee 下载与ultralytics版本对应版本的源码
6.验证环境

from ultralytics import YOLO

# 加载模型 没有会下载 或者自行下载 替换为绝对路径或者相对路径
model = YOLO("yolo11n.pt")
# 对图片执行目标检测
results = model("D:\\workspaces\\ultralytics\\ultralytics\\assets\\bus.jpg")
results[0].show()  # 显示检测结果的可视化图像
# 训练模型
train_results = model.train(
    data="coco8.yaml",  # 数据集配置文件路径
    epochs=100,           # 训练轮数
    imgsz=640,          # 输入图像大小
    device="cpu"        # 训练设备（CPU 或 GPU）
)

# 在验证集上评估模型性能
metrics = model.val()
# 将模型导出为 ONNX 格式
#path = model.export(format="onnx")  # 返回导出模型的路径

7. 安装标注工具并打开 3.11下会出现闪退问题 在3.9下安装并运行

pip install labelimg 
labelimg

此操作会出现图片与标注文本相互对应一对一的txt文件
8. 将上面的图片和label文件按照对应的顺序分开来，注意数据比例（训练集和验证集数据数量比例）（训练集以及验证集说明在后面有说明）
数据集数据目录为dataset 下面两个目录images lables 每个目录下面都有一个train 训练图片集 目录 和val 验证图片集目录
9.编写训练代码

from ultralytics import YOLO
# 加载模型 没有会下载 或者自行下载 替换为绝对路径或者相对路径
model = YOLO("yolo11n.pt")
train_results = model.train(
    data="coco8.yaml",  # 数据集配置文件路径 文件名可以自定义  这个需要找默认文件 并修改 训练图片集 以及预测图片集
    epochs=100,           # 训练轮数
    imgsz=640,          # 输入图像大小
    device="cpu"        # 训练设备（CPU 或 GPU）
)


# 在验证集上评估模型性能
#metrics = model.val()

coco8.yaml 文件讲解 names 为需要训练的标签集合可以把自己新增的添加进入； 修改相关的目录为需要训练的图片标签目录
10.导出模型
导出为onnx，安装onnx

pip install ONNX

# 将模型导出为 ONNX 格式
path = model.export(format="onnx")  # 返回导出模型的路径

导出为nccn模型 安装ncnn

pip install ncnn

1. pt 直接导出ncnn模型 需要修改nn\modules\head.py
2. 找到导出模型 copy model.ncnn,bin model.ncnn.param 文件到一个空文件夹 并打包文件夹
   3.移动端可以使用Autojs调用Yolov11 训练好的模型ncnn进行视频检测

训练数据集、验证数据集的区别作用

训练集用于训练模型，验证集用于评估模型表现并调整超参数
训练集和验证集在机器学习中扮演着不同的角色，以下是它们的核心区别：
1.用途不同‌
训练集‌：用于训练模型，模型通过训练集的数据学习并调整参数（如神经网络的权重）。训练集是模型学习的基础，模型从中找到模式并优化其性能。 ‌
验证集‌：用于在训练过程中评估模型的表现，帮助调整超参数（如学习率、正则化系数等），并防止模型过拟合。验证集不参与模型的参数更新，仅用于评估和优化。‌
2.参与模型训练的方式不同‌
‌训练集‌：直接参与模型的训练过程，模型通过训练集的数据不断调整参数以最小化损失函数。 ‌
验证集‌：不参与模型的训练，仅在每个训练阶段（如一个epoch）结束后用于评估模型的表现，帮助选择最佳的超参数。‌
3.对模型性能的影响不同‌
‌训练集‌：模型在训练集上的表现通常较好，但可能出现过拟合现象，即模型在训练集上表现优异，但在新数据上表现不佳。 ‌
验证集‌：验证集的表现用于判断模型是否过拟合，并指导超参数的调整，确保模型具有良好的泛化能力。
4‌.数据划分比例‌
传统上，数据集通常按照6:2:2的比例划分为训练集、验证集和测试集，但验证集并非必须，具体划分比例可根据数据规模和任务需求调整。
‌总结‌：训练集是模型学习的基础，而验证集是模型优化的工具，两者共同作用以确保模型在训练过程中不断改进，同时避免过拟合问题。

说明 PyTorch、ONNX 和 NCNN 依赖说明

PyTorch、ONNX 和 NCNN 是深度学习领域中的三个重要工具或框架，它们在模型开发、转换和部署过程中扮演着不同但相互关联的角色。以下是它们之间的关系和各自的作用：

1. PyTorch
   PyTorch 是一个开源的深度学习框架，由 Facebook’s AI Research lab (FAIR) 开发。它在研究和开发中广泛使用，特别是因为其动态计算图和易于使用的 API。
   主要功能
   模型开发：提供丰富的工具集和库，用于构建、训练和验证深度学习模型。
   动态计算图：允许在运行时定义和修改模型结构，提供更高的灵活性。
   丰富的生态系统：包括 torchvision、torchtext 等扩展库，以及支持分布式训练等高级功能。
2. ONNX (Open Neural Network Exchange)
   ONNX 是一个开放的格式，用于表示深度学习模型。由 Microsoft 和 Facebook 共同开发，旨在促进不同深度学习框架之间的互操作性。
   主要功能
   跨框架互操作性：ONNX 模型可以在不同的深度学习框架之间转换和共享，例如从 PyTorch 导出到 TensorFlow 或 vice versa。
   标准化：定义了一套标准的操作（ops），确保不同框架实现相同的操作语义。
   模型优化：提供工具（如 ONNX Runtime）来优化模型的推理性能。
3. 与 PyTorch 的关系
   模型转换：PyTorch 提供了直接导出模型到 ONNX 格式的功能，允许在开发和训练后轻松将模型转换为 ONNX 格式以进行跨框架部署。
4. NCNN
   NCNN 是一个高效的神经网络推理框架，由腾讯优图团队开发，专注于在移动设备和嵌入式设备上高效运行。
   主要功能
   轻量级和高效：专为移动和嵌入式设备优化，占用内存小，运行速度快。
   跨平台支持：支持 Android、iOS、Windows、Linux 等多个平台。
   硬件友好：对移动设备的 CPU 和 GPU 进行了优化，特别是 ARM 处理器。
5. 与 ONNX 的关系
   模型转换：NCNN 支持从 ONNX 模型格式转换为 NCNN 格式。这意味着您可以先在 PyTorch 中开发和训练模型，导出为 ONNX，然后再转换为 NCNN 格式以在移动设备上部署。
6. 总结
   PyTorch：用于模型开发和训练，提供强大的灵活性和丰富的库支持。
   ONNX：充当一个中间层格式，促进不同深度学习框架之间的模型互操作性和标准化。
   NCNN：专注于高效的模型推理，特别是在移动和嵌入式设备上。
7. 工作流程示例：
   在 PyTorch 中开发和训练模型。
   将 PyTorch 模型导出为 ONNX 格式。
   使用 NCNN 工具将 ONNX 模型转换为 NCNN 格式。
   将 NCNN 模型部署到移动设备或嵌入式设备上进行高效推理。