YOLO11项目目录结构说明，一看就懂的文件管理方式

在实际使用YOLO11镜像进行计算机视觉开发时，很多新手会卡在第一步：找不到该改哪个文件、该放数据到哪、模型权重存在哪、训练日志在哪查。这不是代码写错了，而是对整个项目目录结构缺乏系统认知。本文不讲算法原理，不堆参数配置，只用一张清晰的结构图+真实路径说明+高频操作指引，带你30分钟理清YOLO11项目的“家底”。

你不需要记住所有路径，只需要理解三层逻辑：环境层 → 配置层 → 数据与结果层。下面我们就按这个逻辑，一层一层拆解。

1. 整体目录结构概览：三横一纵，主次分明

进入YOLO11镜像后，默认工作区位于/workspace/。整个项目以ultralytics-8.3.9/为核心工程目录，其下采用模块化分层设计。我们先看一张精简后的树状结构（已过滤临时文件和Python缓存）：

ultralytics-8.3.9/ ├── resources/ # 【配置层】所有自定义配置、数据、工具脚本集中地 │ ├── config/ # 模型定义、数据集描述、训练参数 │ │ ├── model/ # yolo11-seg.yaml 等模型架构文件 │ │ └── data/ # yolo11-seg.yaml 等数据集路径与类别定义 │ ├── images/ # 原始图像与标注输出目录 │ │ └── seg/ # 图像分割任务专用子目录 │ │ ├── json/ # Labelme生成的原始.json标注文件 │ │ └── datasets/ # 经转换、划分后的标准YOLO格式数据集（images + labels） │ └── tool/ # 自带的实用工具脚本（json转label、数据集划分等） ├── weights/ # 【结果层】预训练权重与训练产出存放处 │ ├── seg/ # 官方提供的yolo11n-seg.pt等分割模型权重 │ └── det/ # 目标检测类权重（如yolo11n.pt） ├── segment/ # 【结果层】训练过程与推理结果的默认输出根目录 │ ├── train/ # train.py运行后自动生成：logs、weights、results │ └── predict/ # predict_seg.py运行后自动生成：预测可视化图片 ├── train.py # 【入口层】默认训练脚本（目标检测） ├── train_seg.py # 【入口层】自定义分割训练脚本（参考博文提供） ├── predict_seg.py # 【入口层】自定义分割推理脚本（参考博文提供） └── tool_json2label_seg.py # 【工具层】Labelme JSON → YOLO分割标签格式转换器

关键提示：YOLO11镜像不是把所有东西塞进一个大文件夹，而是用resources/承载“你给的”，用weights/承载“它给的”，用segment/承载“它产出的”。这种分离让协作、复现、调试变得极其干净。

2. resources/ 目录详解：你的数据与规则说明书

这是你唯一需要主动修改和填充的目录，相当于整个项目的“输入中枢”。它不参与训练计算，但决定了模型学什么、怎么学、用什么学。

2.1 config/ 子目录：告诉模型“我是谁、学什么、怎么学”

• config/model/yolo11-seg.yaml
  这是分割任务的模型骨架文件。它定义了网络结构（backbone + head）、通道数、模块重复次数等。你不需要手写，但必须确认路径正确——train_seg.py中model = YOLO("resources/config/model/yolo11-seg.yaml")就是指向这里。

• config/data/yolo11-seg.yaml
  这是分割任务的数据说明书。核心字段只有三个：

  path: ../ultralytics-yolo11/resources/images/seg/datasets/images # 注意：这里是相对路径！指向datasets/images train: train val: val names: 0: person 1: car

  正确做法：path必须是相对于该yaml文件自身的相对路径；train和val是images/下的子文件夹名（不是完整路径）；names顺序必须与你的Labelme标注类别严格一致。

2.2 images/seg/ 目录：从原始图到标准数据集的流水线

这是最易出错的一环。我们用一条清晰动线说明：

原始图 + Labelme标注 → /resources/images/seg/json/ （.json文件） ↓ tool_json2label_seg.py 转换 → /resources/images/seg/datasets/labels/ （.txt文件，每行：cls x1 y1 x2 y2 ...） ↓ tool_seg2datasets.py 划分 → /resources/images/seg/datasets/images/{train,val}/ （图片） → /resources/images/seg/datasets/labels/{train,val}/ （对应.txt）

• /json/：只放.json文件，且必须与原图同名（如car_001.jpg↔car_001.json）。Labelme启动命令为labelme resources/images/seg/json。
• /datasets/：是YOLO标准格式的最终形态。images/train/下放训练图，labels/train/下放同名.txt标签；验证集同理。YOLO11训练时只读取这个目录，完全不关心/json/。

2.3 tool/ 目录：两个脚本，解决90%数据准备问题

• tool_json2label_seg.py
  功能：将Labelme多边形标注（含多个点坐标）转为YOLO分割格式（归一化坐标序列）。
  使用方式：直接运行，自动遍历/json/，输出到/datasets/labels/。无需改参数。

• tool_seg2datasets.py
  功能：随机打乱所有图片-标签对，并按比例（默认7:3）划分为train/和val/。
  使用方式：运行后，自动创建/datasets/images/{train,val}和/datasets/labels/{train,val}。
  提示：若想固定划分结果，可打开脚本修改random.seed(42)中的数字。

3. weights/ 与 segment/ 目录：模型的“来处”与“去处”

这两个目录共同构成YOLO11的“生命周期闭环”：weights/是起点（加载），segment/是终点（保存）。

3.1 weights/：预训练模型的保险箱

• weights/seg/yolo11n-seg.pt
  这是官方发布的轻量级分割模型权重，约28MB。train_seg.py中model.load("weights/seg/yolo11n-seg.pt")即加载它作为迁移学习基础。
  安全建议：不要删除或覆盖此文件。如需其他尺寸（s/m/l），请从Ultralytics官网下载后放入同级目录。

• weights/det/
  存放目标检测类权重（如yolo11n.pt），供train.py或其他检测任务调用。与分割任务物理隔离，避免混淆。

3.2 segment/：训练与推理的“结果工厂”

这是你每次运行脚本后，自动生成且绝不手动修改的目录。它的存在证明你的训练正在发生。

• segment/train/
train_seg.py运行后立即创建。内部结构为：

  train/ ├── weights/ # best.pt（最优模型）、last.pt（最终模型） ├── results.csv # 每轮指标记录（mAP, box_loss等） ├── train_batch0.jpg # 训练初期的批次可视化（检查数据增强是否正常） └── events.out.tfevents.* # TensorBoard日志（可用jupyter中TensorBoard查看）

  关键观察点：weights/best.pt文件大小是否稳定增长（说明权重在更新）；results.csv最后几行metrics/mAP50-95(B)是否持续上升（说明学习有效）。

• segment/predict/
predict_seg.py运行后创建。结构极简：

  predict/ └── exp/ ├── image0.jpg # 原图叠加分割掩码与轮廓 ├── image0_mask.png # 纯分割掩码（二值图，便于后续处理） └── image0_labels.txt # 每个实例的类别、置信度、归一化多边形坐标

  实用技巧：predict_seg.py中project='segment/predict'和name='exp'共同决定输出路径。下次预测想另存为exp_v2，只需改name即可，避免覆盖。

4. 入口脚本与常用命令：5条命令覆盖95%日常操作

所有操作均在ultralytics-8.3.9/目录下执行。记住这5条，比背100个参数更管用。

4.1 进入环境 & 确认位置

cd ultralytics-8.3.9/ # 必须先执行！否则路径全错 pwd # 应输出 /workspace/ultralytics-8.3.9

4.2 启动Jupyter（图形化调试首选）

镜像已预装Jupyter Lab。启动方式：

• 在CSDN星图镜像控制台点击“打开Jupyter”按钮，或
• 终端执行jupyter lab --ip=0.0.0.0 --port=8888 --no-browser --allow-root
  然后访问控制台提供的链接（形如https://xxx.csdn.net/?token=xxx）

优势：可直接上传图片、拖拽查看results.csv、用matplotlib画loss曲线、交互式调试predict_seg.py。

4.3 运行训练（分割任务）

python train_seg.py

• 成功标志：终端出现Epoch 0/1000: ...并持续滚动；segment/train/weights/下开始生成文件。
• ❌ 常见报错：FileNotFoundError: No images found in ...→ 检查config/data/yolo11-seg.yaml中path路径是否拼写错误，或datasets/images/train/下是否有图片。

4.4 运行推理（用训练好的模型）

python predict_seg.py

• 成功标志：segment/predict/exp/下生成带掩码的图片；终端输出类似16 images processed in 2.3s。
• 注意：predict_seg.py中source=参数支持多种输入：
• 字符串路径：'resources/images/seg/datasets/images/val'（整文件夹）
• 单张图片：'resources/images/seg/datasets/images/val/car_001.jpg'
• 摄像头：0（需镜像支持USB设备）

4.5 查看训练日志（快速定位瓶颈）

# 查看最新loss/mAP趋势（实时刷新） tail -f segment/train/results.csv # 查看最后10轮详细指标 tail -10 segment/train/results.csv | column -t -s,

输出示例：

epoch train/box_loss train/seg_loss metrics/mAP50-95(B) ... 995 0.042 0.118 0.623 996 0.041 0.117 0.624 997 0.040 0.116 0.625

判断是否收敛：metrics/mAP50-95(B)连续10轮无提升，且train/seg_loss波动小于0.001，即可考虑停止。

5. SSH远程连接：当本地算力不够时的备用方案

镜像同时支持SSH登录，适合在服务器上长期跑大模型。使用方式如下：

1. 在CSDN星图镜像控制台获取SSH连接信息（IP、端口、用户名、密码）
2. 本地终端执行：

   ssh -p [端口号] [用户名]@[IP地址]

3. 登录后，同样执行cd ultralytics-8.3.9/ && python train_seg.py

优势：不依赖浏览器，可后台运行（nohup python train_seg.py > train.log 2>&1 &），断开SSH也不影响训练。

6. 总结：一套目录，三种思维，终身受用

YOLO11的目录结构，表面是文件摆放，内里是工程化思维的具象化。掌握它，你获得的不仅是操作能力，更是三种底层能力：

• 路径思维：所有配置都基于相对路径，逼你养成“当前在哪、要去哪”的空间感。这是调试任何Python项目的基石。
• 分层思维：resources/（我给的）、weights/（它给的）、segment/（它产出的）——清晰分离关注点，让协作、版本管理、CI/CD成为可能。
• 契约思维：YOLO11不关心你用Labelme还是CVAT，只要最终提供标准的images/+labels/目录结构。你只需遵守接口约定，就能复用全部训练流程。

下次再看到一个新模型镜像，别急着跑代码。先ls -R看目录，找resources/、weights/、train.py，三分钟内你就能判断：它是否真的 ready-to-use。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。