模型訓練與導出是 YOLO11 工程中承上啟下的關鍵環(huán)節(jié)訓練決定模型精度的上限導出決定模型能否在你的 C# 上位機中跑起來。Python 側訓練與導出的完整鏈路訓練使用ultralytics包加載預訓練權重如yolo11n.pt指向你的data.yaml數(shù)據(jù)集配置指定epochs、batch、imgsz等參數(shù)即可啟動。fromultralyticsimportYOLO# 加載預訓練模型推薦比從頭訓練收斂快得多modelYOLO(yolo11n.pt)# 訓練resultsmodel.train(datadatasets/my_dataset/data.yaml,epochs100,batch16,imgsz640,device0# GPU編號沒GPU寫 cpu)訓練完成后最佳權重保存在runs/detect/train/weights/best.pt最后一次的權重是last.pt。如果訓練意外中斷用resume參數(shù)可以從last.pt繼續(xù)不用從頭跑。導出為 ONNX這是 C# 部署的必經(jīng)步驟.pt文件 C# 無法直接加載。fromultralyticsimportYOLO modelYOLO(runs/detect/train/weights/best.pt)model.export(formatonnx,imgsz640)導出后生成best.onnx。ONNX 是框架無關的格式被 ONNX Runtime 廣泛支持適合跨平臺部署。C# 側ONNX 模型加載與推理推薦使用YoloSharpOnnxNuGet 包名YoloSharpOnnx它基于 OpenCV 和 ONNX Runtime支持 YOLO11 的全任務類型檢測、分割、姿態(tài)、OBB并且內(nèi)存復用和批量推理做得很好。安裝dotnetaddpackage YoloSharpOnnx dotnetaddpackage OpenCvSharp4.runtime.win dotnetaddpackage Microsoft.ML.OnnxRuntimeCPU 推理usingYoloSharp;usingYoloSharpyolonewYoloSharp(newExecutionProviderCPU(best.onnx));usingMatimageCv2.ImRead(test.jpg);ListDetectionResultresultsyolo.RunDetect(image);yolo.DrawDetections(image,results);Cv2.ImWrite(result.jpg,image);Console.WriteLine(results.Summary());GPU 推理CUDA把ExecutionProviderCPU換成ExecutionProviderCUDA并安裝Microsoft.ML.OnnxRuntime.Gpu.Windows。有 NVIDIA 顯卡時推理速度通常有數(shù)倍提升。訓練中的關鍵參數(shù)工業(yè)場景參考一份 PLOS ONE 論文的 YOLO11s 訓練配置展示了工業(yè)場景的典型參數(shù)參數(shù)值說明epochs200訓練輪數(shù)imgsz1216大尺寸輸入適合小目標batch4小批次適應大圖patience1010輪無提升則早停mosaic1.0馬賽克增強提升泛化fliplr0.5水平翻轉(zhuǎn)增強close_mosaic10最后10輪關閉馬賽克穩(wěn)定收斂顯存不夠時優(yōu)先減小batch或imgsz而不是砍epochs。訓練產(chǎn)出的文件訓練完成后runs/detect/train/目錄下會有weights/best.pt驗證集上表現(xiàn)最好的權重部署用這個weights/last.pt最后一輪的權重用于斷點續(xù)訓results.csv每輪的 loss 和 mAP 記錄confusion_matrix.png混淆矩陣看哪些類別容易混淆一句話總結訓練的核心是用預訓練權重微調(diào) 合理的增強參數(shù)導出的核心是轉(zhuǎn) ONNX讓 C# 能加載。C# 側用 YoloSharpOnnx 加載 ONNX 推理CPU/GPU 切換只需換一個 ExecutionProvider。訓練在 Python推理在 C#ONNX 是兩者之間的橋梁。