深度学习框架YOLOV8模型如何训练 NWPU VHR-10 数据集（YOLO 格式） 遥感图像目标检测数据集

NWPU VHR-10数据集：YOLO格式

带标注信息的一共650张，8:2划分训练集，验证集
数据集带yaml文件，加载直接训练，不用自己配置
附已经训练100epoch的YOLO11n的结果，包含pr曲线等一堆
整个压缩包大小70MB

1

1

💡注意事项：

• “YOLOv11n” 极可能是YOLOv8n或YOLOv5n的误写（截至 2026 年，官方未发布 YOLOv11）；
• 该数据集仅适用于目标检测任务，不可用于语义分割；
• 所有图像和标签均已按 YOLO 要求组织，解压后可直接用于yolo train。

以下是针对NWPU VHR-10 数据集（YOLO 格式）的完整、可直接运行的训练代码与配置说明，基于Ultralytics YOLOv8（兼容 YOLOv5 风格），适用于你提供的 70MB 压缩包（含images/,labels/,nwpu_vhr10.yaml）。

✅ 一、环境准备

1. 安装依赖（推荐 Python 3.8+）

# 创建虚拟环境（可选）python -m venv yolo_envsourceyolo_env/bin/activate# Linux/Mac# yolo_env\Scripts\activate # Windows# 安装 PyTorch（根据你的 CUDA 版本）pipinstalltorch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118# 安装 Ultralytics YOLO（支持 YOLOv8/v5）pipinstallultralytics

💡 若你使用的是YOLOv5，请克隆官方仓库：

gitclone https://github.com/ultralytics/yolov5cdyolov5 pipinstall-r requirements.txt

📁 二、数据集目录结构（确认）

确保你的解压后目录如下（与你描述一致）：

nwpu_vhr10_yolo/ ├── images/ │ ├── train/ # 520 张 .jpg │ └── val/ # 130 张 .jpg ├── labels/ │ ├── train/ # 520 个 .txt（YOLO格式） │ └── val/ # 130 个 .txt └── nwpu_vhr10.yaml

✅nwpu_vhr10.yaml文件内容（必须正确）：

# nwpu_vhr10.yamltrain:./images/trainval:./images/valnc:10names:['airplane','ship','storage tank','baseball diamond','tennis court','basketball court','ground track field','harbor','bridge','vehicle']

⚠️ 路径使用相对路径./，确保 YAML 与images/同级。

▶️ 三、训练代码（YOLOv8 方式 — 推荐）

Ultralytics YOLOv8 支持命令行和 Python API 两种方式。以下提供Python 脚本版（便于集成与调试）：

📜train_nwpu.py

fromultralyticsimportYOLOimportos# 设置工作目录（可选）os.chdir('path/to/nwpu_vhr10_yolo')# 替换为你的实际路径，或把脚本放在此目录下# 加载预训练模型（YOLOv8n，轻量级）model=YOLO('yolov8n.pt')# 可替换为 yolov8s.pt / yolov5su.pt 等# 开始训练results=model.train(data='nwpu_vhr10.yaml',# 数据配置文件epochs=100,# 训练轮数imgsz=640,# 输入图像尺寸batch=16,# 批大小（根据 GPU 显存调整）name='nwpu_vhr10_yolov8n',# 实验名称，结果保存在 runs/detect/nwpu_vhr10_yolov8n/device=0,# GPU 设备 ID（0,1,... 或 'cpu'）workers=4,# 数据加载线程数patience=20,# 早停耐心值（mAP 不提升时提前终止）save=True,# 保存 best/last 模型plots=True# 自动生成 PR 曲线、混淆矩阵等)print("✅ 训练完成！结果保存在:",results.save_dir)

🔧 使用说明：

1. 将train_nwpu.py放在nwpu_vhr10_yolo/目录下；
2. 或修改os.chdir()为你的绝对路径；
3. 运行：

   python train_nwpu.py

▶️ 四、训练代码（YOLOv5 方式 — 兼容旧版）

如果你坚持使用YOLOv5，请使用以下命令：

📜 在 YOLOv5 根目录下运行：

python train.py\--img640\--batch16\--epochs100\--data /path/to/nwpu_vhr10_yolo/nwpu_vhr10.yaml\--weights yolov5n.pt\--name nwpu_vhr10_yolov5n\--cacheram\# 加速（可选）--workers4

📌 注意：--data必须是绝对路径，否则可能找不到数据。

📊 五、训练结果输出说明

训练完成后，结果自动保存在：

runs/detect/nwpu_vhr10_yolov8n/ ├── weights/ │ ├── best.pt # 最佳模型（按 mAP@0.5 选择） │ └── last.pt # 最后一轮模型 ├── results.csv # 训练指标（loss, mAP 等） ├── results.png # loss/mAP 曲线图 ├── confusion_matrix.png ├── pr_curve.png # Precision-Recall 曲线（每类） ├── F1_curve.png ├── labels.jpg # 标签分布 └── val_batch0_pred.jpg # 验证集预测样例

🔍 六、验证与推理示例

验证模型性能：

fromultralyticsimportYOLO model=YOLO('runs/detect/nwpu_vhr10_yolov8n/weights/best.pt')metrics=model.val(data='nwpu_vhr10.yaml')# 自动在 val 集上评估print(f"mAP@0.5:{metrics.box.map50:.4f}")

单张图像推理：

results=model.predict(source='images/val/001.jpg',save=True,show=False)# 结果保存在 runs/detect/predict/

⚙️ 七、超参数调优建议（针对遥感小目标）

📦 八、压缩包内容验证清单

你的 70MB 压缩包应包含：

✅只要前5项存在，即可直接训练。