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≥3.8，PyTorch≥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 |
|---|---|---|
yolo11n | 2.6M | 边缘设备、速度优先 |
yolo11s | 9.4M | 平衡精度与速度 |
yolo11m | 20.1M | 常规GPU训练 |
yolo11l | 25.3M | 高精度需求 |
yolo11x | 56.9M | 极致精度、算力充足 |
四、模型训练
方式1：Python API（推荐）
创建train.py：
fromultralyticsimportYOLOdefmain():# 加载预训练模型（推荐：基于COCO预训练权重微调）model=YOLO("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/AdamW'lr0':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True'close_mosaic':10,# 最后N轮关闭马赛克增强}# 开始训练results=model.train(**train_params)# 输出最佳模型路径print(f"Best 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）model=YOLO("yolo11m.yaml")# 方式B：加载预训练权重（最常用，推荐）model=YOLO("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）model=YOLO("yolo11m.yaml").load("yolo11m.pt")方式2：命令行 CLI
# 基础训练yolo detect traindata=data.yamlmodel=yolo11m.ptepochs=100imgsz=640batch=16device=0# 多GPU训练yolo detect traindata=data.yamlmodel=yolo11m.ptepochs=100device=0,1# 从YAML+预训练权重训练yolo detect traindata=data.yamlmodel=yolo11m.yamlpretrained=yolo11m.ptepochs=100五、关键训练参数说明
| 参数 | 说明 | 建议值 |
|---|---|---|
epochs | 训练总轮次 | 100~300 |
imgsz | 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、mps（Apple芯片） |
workers | 数据加载线程 | 8~16（Windows建议≤8） |
optimizer | 优化器 | SGD（默认）、Adam、AdamW |
lr0/lrf | 初始/最终学习率 | 0.01 / 0.01 |
momentum | SGD动量 | 0.937 |
weight_decay | 权重衰减 | 0.0005 |
single_cls | 单类别模式 | True/False |
resume | 恢复中断训练 | True（需指定last.pt） |
amp | 自动混合精度 | True（默认开启，省显存） |
六、模型验证
创建val.py：
fromultralyticsimportYOLOdefmain():# 加载训练好的最佳权重model=YOLO('runs/train/exp/weights/best.pt')# 验证metrics=model.val(data='data.yaml',split='val',# 验证集：'val' 或 'test'imgsz=640,batch=16,iou=0.6,# NMS IoU阈值device='0',save_json=False,# 是否保存COCO格式JSON)# 输出关键指标print(f"mAP50-95:{metrics.box.map}")# mAP@0.5:0.95print(f"mAP50:{metrics.box.map50}")# mAP@0.5print(f"mAP75:{metrics.box.map75}")# mAP@0.75if__name__=='__main__':main()CLI 方式：
yolo detect valmodel=runs/train/exp/weights/best.ptdata=data.yaml七、模型推理/预测
创建predict.py：
fromultralyticsimportYOLOimportcv2defmain():model=YOLO('runs/train/exp/weights/best.pt')# 单张图片推理results=model.predict(source='test_images/',# 图片路径、文件夹、URL或摄像头索引（0）imgsz=640,conf=0.25,# 置信度阈值iou=0.45,# NMS IoU阈值device='0',save=True,# 保存结果图show=False,# 是否弹窗显示)# 遍历结果forresultinresults:boxes=result.boxes# 检测框masks=result.masks# 分割掩码（如使用分割模型）probs=result.probs# 分类概率# 获取坐标、置信度、类别forboxinboxes:x1,y1,x2,y2=box.xyxy[0].tolist()conf=box.conf[0].item()cls=int(box.cls[0].item())print(f"Class:{cls}, Conf:{conf:.2f}, Box: [{x1:.1f},{y1:.1f},{x2:.1f},{y2:.1f}]")if__name__=='__main__':main()CLI 方式：
yolo detect predictmodel=runs/train/exp/weights/best.ptsource=test_images/save=True## 数据集下载> 小郭AI日志
