文章目录
- 数据集根目录（根据实际情况修改）
- 划分比例
- 创建目标文件夹
- 获取所有图像文件
- 计算各数据集的文件数量
- 复制文件到对应文件夹
- 训练集、验证集、测试集路径
- 类别数量
- 类别名称
- 若使用自定义数据集，需修改 “train”“val”“test” 的路径为你划分后的数据集路径，“nc” 为你的类别数量，“names” 为你的类别名称列表（顺序需与标注时的类别顺序一致）。 2. 训练配置：为模型训练设定 “最佳参数” YOLOv11 的训练配置主要通过修改训练命令中的参数或配置文件来实现。合理的训练配置能让模型在有限的训练轮数内达到更好的性能，同时避免出现过拟合、训练速度过慢等问题。 （1）训练命令参数解析 YOLOv11 的训练命令通常基于 “train.py” 脚本（部分版本可能集成在 Ultralytics 库中，可通过 “yolo train” 命令调用），核心参数如下： --data：指定数据集配置文件（YAML 格式）的路径，如 “--data dataset.yaml”。 --model：指定预训练模型的路径或模型配置文件路径。使用预训练模型能加快训练速度并提高模型精度，YOLOv11 提供了不同规模的预训练模型（如 yolov11n.pt、yolov11s.pt、yolov11m.pt 等，n 表示最小模型，性能依次增强），可从 Ultralytics 官网下载。例如，“--model yolov11s.pt”。
- 代码链接与详细流程
RK3588 部署 YOLOv11：从入门到实战的完整指南
一、技术认知：解锁 AI 检测的核心密码
在人工智能落地应用的浪潮中，目标检测技术始终占据着关键地位。它就像为机器装上 “智能双眼”，能够精准识别图像或视频中的各类物体，并实时标注出物体的位置与类别。而在众多目标检测方案中，YOLOv11 与 RK3588 的组合，正成为边缘端智能应用的热门选择。
YOLOv11 作为最新一代 YOLO 系列模型，在保持高精度检测能力的同时，大幅提升了推理速度，无论是日常场景中的行人、车辆识别，还是工业场景下的产品缺陷检测，都能轻松应对。RK3588 则是一款专为边缘计算设计的高性能芯片，集成了强大的 NPU（神经网络处理单元），能为 AI 模型提供充足的算力支持，让本地化的智能检测应用不再受限于云端依赖。
当我们将 YOLOv11 部署到 RK3588 上时，便能实现 “算法 + 硬件” 的完美融合：既拥有先进模型的检测能力，又具备边缘设备的便携性与低延迟优势。这种部署方案可广泛应用于安防监控、智能交通、工业质检、机器人视觉等领域。比如在小区安防中，能实时识别异常闯入人员；在工厂生产线中，可快速检测产品表面的划痕与瑕疵。接下来，我们将一步步拆解从环境搭建到模型落地的全流程，让你轻松掌握这项实用技术。
二、PC 端环境搭建：筑牢技术实践的基础
要顺利开展 YOLOv11 的训练与后续部署，首先需要在 PC 端搭建稳定的开发环境。这一环节看似基础，却直接影响后续操作的效率与成功率，因此每一步都需要细致操
