本篇文章记录下如何在PC端训练YOLO11模型，并部署到树莓派4B上进行目标检测。
1️⃣ 环境配置说明
💻 训练电脑主机
组件 | 规格参数 |
CPU | AMD Ryzen 5 5600X |
内存 | DDR4 32GB |
GPU | NVIDIA RTX 4060 Ti 16GB |
系统 | Windows 11 Pro 22H2 |
Anaconda | 2023.03-1 |
CUDA | 12.6 |
🍓 树莓派端
组件 | 规格参数 |
型号 | Raspberry Pi 4 Model B 8GB |
系统 | Raspberry Pi OS (64-bit) Bullseye |
Python版本 | 3.9.2 |
Docker | 24.0.5 |
2️⃣ 在PC上训练YOLO11模型
📌 安装Anaconda/Python
首先从 https://www.anaconda.com/download 下载Anaconda。
安装完成后，可以创建个虚拟环境用作训练：
📌 安装 YOLO11 及相关工具
YOLO11 由 Ultralytics 开发，因此我们可以使用 pip 直接安装：
安装完成后，运行以下命令，验证是否安装成功：
若安装正确，终端会显示推理结果，并生成带有目标检测框的预测图片。
📌 安装 GPU 支持（CUDA & PyTorch）
由于训练模型需要 GPU 加速，我们需要安装 PyTorch，并确保 CUDA 版本匹配。请前往 PyTorch 官网 查找适合您系统的安装命令。
例如，对于 Windows 11 + CUDA 12.6 的环境，可运行：
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu126
Windows下查看当前显卡支持的CUDA版本，可以使用
nvidia-smi 命令查看
运行以下 Python 代码，确保 CUDA 可用：
3️⃣ 准备训练数据集
📌 YOLO格式数据标注
YOLO格式要求：
class_id: 类别索引（0开始）
x_center, y_center: 目标框中心点（归一化 0-1）
width, height: 目标框宽度、高度（归一化 0-1）
示例 (
dog.jpg 对应 dog.txt)：- 第一行：类别
0（例如dog），框的中心点在(0.5, 0.5)，宽度0.4，高度0.6。
- 第二行：类别
1（例如cat），框的中心点在(0.7, 0.8)，宽度0.2，高度0.3。
📌 数据集目录结构
📌 数据配置文件 (data.yaml)
在标注数据时，可以使用 CVAT 或 Label Studio 等专业工具来提高标注效率，并确保标注格式符合 YOLO 要求。
一些主流标注工具：
工具名称 | 类型 | 特点 | 适用场景 |
CVAT | 开源Web端 | 支持团队协作、视频标注、自动分割 | 复杂项目、专业团队 |
Label Studio | 开源跨平台 | 可视化配置、支持NLP/OCR等多模态任务 | 多类型数据标注 |
RoboFlow | 云端服务 | 自动预处理、版本管理、一键导出多种格式 | 快速原型开发 |
LabelImg | 桌面端 | 轻量级、离线使用 | 小规模简单标注任务 |
4️⃣ 训练YOLO11模型
📌 运行训练
执行训练命令：
epochs=100: 训练100轮
imgsz=640: 训练图片大小 640x640
📌 训练结果
模型训练完成后，训练后的模型文件保存在：
通过查看results图片可以看到训练次数和各参数的变化情况。
5️⃣ 在树莓派上运行YOLO11
📌 安装 Raspberry Pi OS
- 从Raspberry Pi 官网下载Raspberry Pi OS (64-bit)。
- 使用
Raspberry Pi Imager写入 microSD 卡。
📌 运行 YOLO11
拉取Ultralytics Docker镜像
复制训练好的模型文件和检测图片到树莓派
运行目标检测后查看检测结果
运行成功后，会在
/home/pi/runs/detect/predict/ 目录生成带检测框的图片。📎 参考资料
如果你有任何问题或优化建议，欢迎留言讨论！ 🚀
- 作者:Yibin
- 链接:https://yibin.dev/article/19160b50-99a4-8044-9cd1-e240cf349399
- 声明:本文采用 CC BY-NC-SA 4.0 许可协议，转载请注明出处。
相关文章
