YOLOv11办公桌面文具目标检测数据集 数据集基本信息目标类别 [‘book’, ‘bottole’, ‘earphone’, ‘glass’, ‘headphone’, ‘keyboard’, ‘laptop’, ‘mobile’, ‘mouse’, ‘pen’, ‘penstand’]中文类别[‘书’, ‘瓶子’, ‘耳机’, ‘玻璃杯’, ‘头戴式耳机’, ‘键盘’, ‘笔记本电脑’, ‘手机’, ‘鼠标’, ‘笔’, ‘笔筒’]训练集1142 张验证集148 张测试集151 张总计1441 张 data.yaml 配置信息该数据集提供了data.yaml文件内容如下train:../train/imagesval:../valid/imagestest:../test/imagesnc:11names:[book,bottole,earphone,glass,headphone,keyboard,laptop,mobile,mouse,pen,penstand]️ 标注可视化 数据集分析YOLOv11办公桌面文具目标检测数据集该数据集专注于办公桌面环境中的常见文具与电子设备目标检测涵盖了包括笔记本电脑、键盘、鼠标、耳机、书本、笔筒、笔、瓶子及玻璃杯等在内的多种核心物品。通过高精度标注与多样化场景覆盖该数据集为提升办公环境智能化管理提供了可靠的数据基础具有重要的实用价值。从数据分布来看该数据集包含1441张图片其中训练集1142张、验证集148张、测试集151张比例分配合理。训练集提供了丰富的样本多样性验证集用于模型调优测试集则确保评估的客观性整体分布符合机器学习数据集的标准要求。该数据集的标注工作严谨规范所有目标均采用精确的边界框标注且标签名称与可视化结果完全一致。标注过程中严格遵循统一标准确保了数据的高质量与一致性为后续模型训练奠定了坚实基础。基于其专业性和实用性该数据集可广泛应用于智能办公系统、自动化资产管理、无人值守办公空间等领域特别是在需要精准识别和分类办公桌面物品的场景中具有重要应用价值。YOLOv11训练步骤一、环境安装pipinstallultralytics# 依赖要求Python≥3.8PyTorch≥1.8。安装完成后可通过 yolo checks 验证环境。二、数据集准备YOLO格式1. 目录结构数据集必须严格按以下结构组织dataset/ ├── train/ │ ├── images/ # 训练图片jpg/png │ └── labels/ # YOLO格式标注txt ├── val/ │ ├── images/ │ └── labels/ └── data.yaml # 数据集配置文件2. YOLO标注格式每个*.txt文件对应一张图片每行格式为class_id center_x center_y width height所有数值均为相对于图片宽高的归一化值0~1。3. data.yaml 配置文件# data.yamlpath:../dataset# 数据集根目录相对或绝对路径train:train/images# 训练集图片路径val:val/images# 验证集图片路径test:test/images# 测试集图片路径可选# 类别信息nc:2# 类别数量names:[class1,class2]# 类别名称列表三、模型选择YOLO11 提供 5 种尺度官方命名规则为yolo11{n/s/m/l/x}.pt模型参数量适用场景yolo11n2.6M边缘设备、速度优先yolo11s9.4M平衡精度与速度yolo11m20.1M常规GPU训练yolo11l25.3M高精度需求yolo11x56.9M极致精度、算力充足四、模型训练方式1Python API推荐创建train.pyfromultralyticsimportYOLOdefmain():# 加载预训练模型推荐基于COCO预训练权重微调modelYOLO(yolo11m.pt)# 训练参数train_params{data:data.yaml,# 数据集配置文件epochs:100,# 训练轮次imgsz:640,# 输入图像尺寸batch:16,# 批次大小根据显存调整device:0,# GPU设备号cpu表示CPU训练workers:8,# 数据加载线程数optimizer:SGD,# 优化器SGD/Adam/AdamWlr0:0.01,# 初始学习率patience:50,# 早停耐心值save:True,# 保存模型project:runs/train,# 项目保存路径name:exp,# 实验名称single_cls:False,# 单类别检测设为Trueclose_mosaic:10,# 最后N轮关闭马赛克增强}# 开始训练resultsmodel.train(**train_params)# 输出最佳模型路径print(fBest model saved at:{results.best})if__name____main__:main()三种模型加载方式对比# 方式A从YAML构建全新模型从头训练适合网络结构改进modelYOLO(yolo11m.yaml)# 方式B加载预训练权重最常用推荐modelYOLO(yolo11m.pt)# 方式C构建新模型并迁移预训练权重改进网络后使用modelYOLO(yolo11m.yaml).load(yolo11m.pt)方式2命令行 CLI# 基础训练yolo detect traindatadata.yamlmodelyolo11m.ptepochs100imgsz640batch16device0# 多GPU训练yolo detect traindatadata.yamlmodelyolo11m.ptepochs100device0,1# 从YAML预训练权重训练yolo detect traindatadata.yamlmodelyolo11m.yamlpretrainedyolo11m.ptepochs100五、关键训练参数说明参数说明建议值epochs训练总轮次100~300imgsz输入尺寸640标准batch批次大小8/16/32根据显存device训练设备0单GPU、0,1多GPU、cpu、mpsApple芯片workers数据加载线程8~16Windows建议≤8optimizer优化器SGD默认、Adam、AdamWlr0/lrf初始/最终学习率0.01 / 0.01momentumSGD动量0.937weight_decay权重衰减0.0005single_cls单类别模式True/Falseresume恢复中断训练True需指定last.ptamp自动混合精度True默认开启省显存六、模型验证创建val.pyfromultralyticsimportYOLOdefmain():# 加载训练好的最佳权重modelYOLO(runs/train/exp/weights/best.pt)# 验证metricsmodel.val(datadata.yaml,splitval,# 验证集val 或 testimgsz640,batch16,iou0.6,# NMS IoU阈值device0,save_jsonFalse,# 是否保存COCO格式JSON)# 输出关键指标print(fmAP50-95:{metrics.box.map})# mAP0.5:0.95print(fmAP50:{metrics.box.map50})# mAP0.5print(fmAP75:{metrics.box.map75})# mAP0.75if__name____main__:main()CLI 方式yolo detect valmodelruns/train/exp/weights/best.ptdatadata.yaml七、模型推理/预测创建predict.pyfromultralyticsimportYOLOimportcv2defmain():modelYOLO(runs/train/exp/weights/best.pt)# 单张图片推理resultsmodel.predict(sourcetest_images/,# 图片路径、文件夹、URL或摄像头索引0imgsz640,conf0.25,# 置信度阈值iou0.45,# NMS IoU阈值device0,saveTrue,# 保存结果图showFalse,# 是否弹窗显示)# 遍历结果forresultinresults:boxesresult.boxes# 检测框masksresult.masks# 分割掩码如使用分割模型probsresult.probs# 分类概率# 获取坐标、置信度、类别forboxinboxes:x1,y1,x2,y2box.xyxy[0].tolist()confbox.conf[0].item()clsint(box.cls[0].item())print(fClass:{cls}, Conf:{conf:.2f}, Box: [{x1:.1f},{y1:.1f},{x2:.1f},{y2:.1f}])if__name____main__:main()CLI 方式yolo detect predictmodelruns/train/exp/weights/best.ptsourcetest_images/saveTrue## 数据集下载 小郭AI日志