YOLOv6 自定义目标检测训练实战：数据准备、训练、评估与推理
YOLOv6 自定义目标检测训练实战数据准备、训练、评估与推理这篇教程根据我复现 YOLOv6 自定义目标检测流程时整理重点演示 YOLOv6 环境、数据格式、训练命令、评估和测试集推理。本文整理自我的学习和项目复现过程尽量按实操顺序保留 notebook 的关键步骤同时把数据集获取方式调整为适合中文教程发布的写法。本文会重点跑通以下流程安装 YOLOv6 环境从数据集后台获取 YOLOv6 格式数据启动自定义训练评估模型效果在测试集上批量推理如果你正在系统学习目标检测、实例分割、OCR、多目标跟踪或视觉大模型建议收藏本文配套 notebook、示例图片和运行环境说明后续会继续整理。如果环境配置卡住可以在评论区说明具体报错。 文章目录YOLOv6 自定义目标检测训练实战数据准备、训练、评估与推理⚙️ 安装依赖 从数据集后台获取数据️ 开始训练 评估模型 推理结果 小结 同系列教程汇总⚙️ 安装依赖下面按 notebook 原流程继续执行。# Download MT-YOLOv6 repository and install requirements!git clone https://github.com/meituan/YOLOv6%cd YOLOv6 !pip install-r requirements.txt 从数据集后台获取数据下面按 notebook 原流程继续执行。fromtypesimportSimpleNamespace# 从数据集后台下载 YOLOv6 检测 格式数据集后修改 DATASET_DIR 指向解压目录。DATASET_DIR/content/dataset# 修改为数据集后台导出的数据集目录datasetSimpleNamespace(locationDATASET_DIR,version1,namecustom-dataset)️ 开始训练下面按 notebook 原流程继续执行。# 运行此单元开始训练!python tools/train.py--batch32--conf configs/yolov6s.py--epochs100--img-size416--data{dataset.location}/data.yaml--device0 评估模型下面按 notebook 原流程继续执行。# 运行评估!python tools/eval.py--data{dataset.location}/data.yaml--img-size416--weights runs/train/exp/weights/best_ckpt.pt--device0 推理结果下面按 notebook 原流程继续执行。# infer on all images in our /test directory!python tools/infer.py--yaml{dataset.location}/data.yaml--img-size416--weights runs/train/exp/weights/best_ckpt.pt--source{dataset.location}/images/test/--device0# display test inference result imagesimportglobfromIPython.displayimportImage,display i0limit3# max images to printforimageNameinglob.glob(./runs/inference/exp/*.jpg):#assuming JPGifilimit:display(Image(filenameimageName))print(\n\n)ii1# # setup access to your workspace# rf (api_keyYOUR_API_KEY) # used above to load data# inference_project rf.workspace().project(YOUR_PROJECT_NAME) # used above to load data# model inference_project.version(1).model# upload_project rf.workspace().project(YOUR_PROJECT_NAME)# print(inference reference point: , inference_project)# print(upload destination: , upload_project)# # example upload: if prediction is below a given confidence threshold, upload it# confidence_interval [10,70] # [lower_bound_percent, upper_bound_percent]# for prediction in predictions: # predictions list to loop through# if(prediction[confidence] * 100 confidence_interval[0] and# prediction[confidence] * 100 confidence_interval[1]):# # upload on success!# print( image uploaded!)# upload_project.upload(image, num_retry_uploads3) # upload image in question 小结这篇教程完整整理了YOLOv6 自定义目标检测训练的核心复现流程。实际操作时建议先确认 GPU、依赖版本、数据集路径和模型权重路径再逐段运行 notebook。后续我会继续按源项目顺序整理同系列中的目标检测、实例分割、OCR、多目标跟踪和视觉大模型教程。 同系列教程汇总Google Gemini 3.5 Flash 零样本目标检测教程从提示词到可视化结果GLM-OCR 文档识别实战教程从验证码、公式到车牌 OCRRF-DETR ByteTrack 多目标跟踪实战教程从命令行到 Python 视频轨迹可视化SAM 3 图像分割实战教程文本、框和点提示的多种分割方式SAM 3 视频分割实战教程用文本提示分割并跟踪视频中的目标Google Gemini 2.5 零样本检测与分割实战从 JSON 结果到可视化-本文
