在电脑训练 YOLO 检测模型

这篇继续用苹果检测做例子。你会在电脑上训练 YOLO11，得到 best.pt，再导出板子转换工具需要的 best.onnx。

如果是第一次训练，建议先用 MaixHub 在线训练。电脑训练需要安装 Python，适合想保留全部数据或自己控制训练过程的用户。

开始前准备好数据集

先按准备模型和数据集整理好图片、标注和 data.yaml。数据集的标准目录只在那一页说明，本页直接从安装训练工具开始。

安装训练工具

YOLO 是一组常用的目标检测模型。本文使用 Ultralytics 提供的训练工具。

先从 Python 官网安装 Python 3，建议使用 3.11。Windows 安装界面要勾选 Add Python to PATH，这样终端才能找到 Python。

打开终端。Windows 可以使用 PowerShell，macOS 和 Linux 可以使用系统自带的“终端”。先检查 Python：

python --version

看到 Python 3... 后，安装训练工具。如果系统提示找不到 python，把本页命令中的 python 换成 python3。

python -m pip install ultralytics==8.4.104

安装完成后检查：

yolo checks

终端能打印 Python 和运行环境信息，就可以开始训练。如果提示找不到 yolo，关闭终端重新打开，再执行检查命令。

先跑 3 轮检查数据

下面的命令只训练 3 轮，目的是尽快发现路径、图片或标注格式问题：

yolo detect train model=yolo11n.pt data=/你的完整路径/apple_dataset/data.yaml epochs=3 imgsz=640 project=runs/apple name=check exist_ok=True

yolo11n.pt 是一个体积较小的基础模型，适合先跑通流程。epochs=3 表示把训练集学习 3 遍，imgsz=640 表示训练时把图片处理为 640 像素大小。第一次使用时保持这些值即可。

命令正常结束，并在 runs/apple/check 下生成结果，就说明数据格式可以使用。第一次运行会自动下载 yolo11n.pt，因此电脑需要联网。

正式训练

把训练轮数改为 100：

yolo detect train model=yolo11n.pt data=/你的完整路径/apple_dataset/data.yaml epochs=100 imgsz=640 project=runs/apple name=model exist_ok=True

训练结束后使用这个文件：

runs/apple/model/weights/best.pt

best.pt 是验证效果最好的一轮，不一定是最后一轮。

用新图片测试

准备一张没有参加训练的苹果图片：

yolo detect predict model=runs/apple/model/weights/best.pt source=/测试图片路径 save=True

终端会打印结果保存位置。打开图片，确认苹果类别和方框正确。

如果训练图片能识别，新图片却不行，先补充不同苹果、背景和光线的图片。继续增加训练轮数通常不能弥补数据缺失。

导出 ONNX

.pt 不能直接交给板子转换工具，需要先导出为 .onnx。

本页示例的兼容性提醒

下面这条网页转换路线以 YOLO11 为例，请固定安装 ultralytics==8.4.104，并保留 opset=17、dynamic=False。不同模型或不同转换路线可能有自己的版本和参数要求，不能直接照搬本页设置。

MaixCAM 和 MaixCAM Pro 常用 320x224：

yolo export model=runs/apple/model/weights/best.pt format=onnx imgsz=224,320 opset=17 simplify=True dynamic=False

MaixCAM2 可以先用 320x240：

yolo export model=runs/apple/model/weights/best.pt format=onnx imgsz=240,320 opset=17 simplify=True dynamic=False

需要识别更小的目标时，MaixCAM2 可以尝试 640x480，但运行会更慢：

yolo export model=runs/apple/model/weights/best.pt format=onnx imgsz=480,640 opset=17 simplify=True dynamic=False

命令里的尺寸顺序是“高,宽”。导出成功后，best.pt 旁边会出现 best.onnx。

opset 是 ONNX 文件所用的规则版本，这里必须保持为 17。dynamic=False 表示固定模型输入尺寸，simplify=True 用于简化模型结构。这三个值都不要删除或修改。

转换并在板子上运行

接下来按顺序完成：

  1. 使用网页转换 YOLO 模型，把 best.onnx 转成板子模型包。
  2. 按上板和运行教程上传并测试。

摄像头画面出现正确标签和方框后，训练、转换和上板运行就完成了。如果愿意让其他用户下载和交流，可以再选择分享到 MaixHub。

使用其它 YOLO 版本

想换成 YOLO26 或 YOLOv8，可以把训练命令中的基础模型改为 yolo26n.pt 或 yolov8n.pt。但不要直接照搬本页的工具版本和导出参数，请先查看对应模型的说明。

旧 ultralytics/yolov5 仓库训练的 YOLOv5 与新版 YOLOv5u 输出不同，目前不能使用简单网页转换。维护旧项目时，请使用 MaixCAM 手动转换或MaixCAM2 手动转换。新项目建议使用 YOLO11。

姿态、分割和旋转框使用不同的标注格式，而且网页转换暂不支持。需要这些功能时，请继续阅读对应的人体关键点检测、图像语义分割或旋转框检测文档。