人工智能計算機視覺深度學習后端【免費下載鏈接】YOLOv11-RGBTYOLOv11-RGBT: Towards a Comprehensive Single-Stage Multispectral Object Detection FrameworkSupports RGBT detection for all YOLO series from YOLOv3 to YOLOv13, as well as RTDETR. 【Ultralytics YOLOv3-YOLOv13】項目地址https://gitcode.com/gh_mirrors/yo/YOLOv11-RGBT點擊查看免費下載YOLOv11-RGBT是面向可見光紅外多光譜目標檢測的一站式框架覆蓋 YOLOv3 到 YOLOv13 全系列及 RTDETR。很多新手在訓練 RGBT 數(shù)據(jù)集時卡在第 1 步——數(shù)據(jù)集配置可見光和紅外圖像該如何擺放、yaml 文件怎么寫、程序憑什么自動找到紅外圖。本文用 4 種經(jīng)過驗證的配置方法目錄結構 TXT 文件把visible/infrared自動替換原理一次講透幫你 10 分鐘搞定數(shù)據(jù)集。一、為什么RGBT數(shù)據(jù)集配置比單模態(tài)多一道坎普通 YOLO 只吃 RGB 圖像而 YOLOv11-RGBT 訓練時需要成對的可見光visible與紅外infrared圖像。程序內(nèi)部會先把可見光拆成 3 通道、紅外保留 1 通道再合并成 4 通道輸入網(wǎng)絡use_simotmRGBT、channels4所以配置數(shù)據(jù)集的核心就兩件事擺放結構讓visible目錄的同級存在infrared目錄或其他命名對yaml 寫法train/val只指向可見光路徑紅外路徑由程序自動推導。二、核心原理visible → infrared 路徑自動替換自動替換邏輯位于 ultralytics/data/base.py 的load_and_preprocess_image/load_image中關鍵只有兩行im_visible imread(file_path) # 讀取可見光 im_infrared imread(file_path.replace(pairs_rgb, pairs_ir), cv2.IMREAD_GRAYSCALE) # 替換路徑讀紅外也就是說程序把可見光路徑字符串中的visible原樣替換為infrared得到紅外圖路徑。兩個要點命名對由參數(shù)pairs_rgb_ir控制默認[visible, infrared]也可以自定義為[rgb, ir]、[images, images_ir]等見 train_RGBT.py 第 22 行注釋若可見光與紅外尺寸不一致_resize_images會自動縮放到相同尺寸后合并無需手動對齊。三、4種配置方法詳解建議用方法1以下示例來自倉庫 ultralytics/cfg/datasets/ 下的真實配置文件。方法1visible/infrared 平級目錄FLIR 示例推薦 ?最貼合網(wǎng)盤新版數(shù)據(jù)集的結構圖像與同名 txt 標簽放在同一目錄dataset/ ├── visible/ │ ├── train/ # image1.jpg image1.txt ... │ └── test/ └── infrared/ ├── train/ └── test/對應 FLIR_aligned-rgbt.yamlpath: E:/BaiduNetdiskDownload/RGBTO/FLIR3C # 數(shù)據(jù)集根目錄 train: visible/train val: visible/test nc: 3 names: [person, car, bicycle]只想單獨用可見光或紅外訓練時可改用 FLIR_aligned.yaml 或 FLIR_aligned-inf.yaml后者train: infrared/train。方法2train/val 在上一級KAIST 示例可見光、紅外目錄掛在train、val之下圖像與標簽分開放dataset/ ├── train/ │ ├── visible/images/ visible/labels/ │ └── infrared/images/ infrared/labels/ └── val/ ├── visible/images/ visible/labels/ └── infrared/images/ infrared/labels/yaml 只填train/visible/images即可參考 KAIST.yaml。方法3images labels 分離結構適合所有圖像集中管理、標簽獨立存放的數(shù)據(jù)集dataset/ ├── images/ │ ├── visible/train/ visible/val/ │ └── infrared/train/ infrared/val/ └── labels/ ├── visible/train/ visible/val/ └── infrared/train/ infrared/val/yaml 中寫train: dataset/images/visible/train程序沿visible→infrared替換規(guī)則自動定位紅外圖像與標簽。方法4TXT 文件配置VEDAI 示例YOLO 默認玩法用 txt 逐行列出可見光圖像路徑y(tǒng)aml 里train指向 txt 文件參考 VEDAI.yaml# train.txt每行一個可見光路徑建議絕對路徑 dataset/images/visible/image1.jpg dataset/images/visible/image2.jpg??關鍵限制txt 中的路徑必須包含visible字樣或你自定義的pairs_rgb_ir第一個詞否則程序無法替換出紅外路徑。四、4種方法怎么選一張表說清方法目錄層級標簽存放適用場景參考yaml方法1visible/infrared 平級與圖像同目錄新版數(shù)據(jù)集最推薦FLIR_aligned-rgbt.yaml方法2train/val 在上images/labels 分離KAIST 等經(jīng)典 RGBT 數(shù)據(jù)集KAIST.yaml方法3imageslabels 分離獨立 labels 樹集中管理大規(guī)模數(shù)據(jù)集—方法4txt 列路徑同目錄YOLOv5/v8/v11 默認習慣VEDAI.yaml五、新手最容易踩的3個坑紅外目錄找不到→ 檢查visible的同級是否真的存在infrared文件名是否逐字一致replace是純字符串替換大小寫敏感。txt 路徑缺visible關鍵字→ 方法4中若路徑不含該詞會直接報Image Not Found可打開 ultralytics/data/base.py 的load_image排查。通道數(shù)沒配對→ RGBT 模式務必傳use_simotmRGBT、channels4六通道RGBRGB用RGBRGB6C、channels6完整用法見 train_RGBT.py。更多數(shù)據(jù)集模板可直接參考 LLVIP-rgbt.yaml、M3FD-rgbt.yaml模型結構配置見 ultralytics/cfg/models/11-RGBT/訓練入口參考 train_RGBT.py。配好數(shù)據(jù)集剩下的交給框架即可——祝你訓練順利mAP 起飛 贊分享人工智能計算機視覺深度學習后端【免費下載鏈接】YOLOv11-RGBTYOLOv11-RGBT: Towards a Comprehensive Single-Stage Multispectral Object Detection FrameworkSupports RGBT detection for all YOLO series from YOLOv3 to YOLOv13, as well as RTDETR. 【Ultralytics YOLOv3-YOLOv13】項目地址https://gitcode.com/gh_mirrors/yo/YOLOv11-RGBT點擊查看免費下載相關推薦UltiSnips 指南目錄結構、啟動文件和配置文件詳解UltiSnips 指南目錄結構、啟動文件和配置文件詳解 1. 項目目錄結構及介紹 UltiSnips 的源碼倉庫包含了以下主要目錄和文件 UltiSnip開發(fā)工具BullMQ 深入指南目錄結構、啟動文件與配置詳解BullMQ 深入指南目錄結構、啟動文件與配置詳解 1. 項目目錄結構及介紹 在 bullmq 項目中源代碼主要分布在以下目錄 src/ 此目錄包含了核心后端任務調(diào)度消息隊列Visual Studio Code 中的 Python Linting 完整指南選型、配置與故障排查Visual Studio Code 中的 Python Linting 完整指南選型、配置與故障排查 Linting 能夠在 Python 源碼中標記語義與人工智能計算機視覺深度學習后端上一篇這個請求我沒法接dsh-purge 本質(zhì)是給 DeepSeek Harness 模型卸安全護欄的越獄插件下一篇5分鐘快速上手用ESPHome實現(xiàn)JK-BMS智能電池監(jiān)控的終極指南創(chuàng)作聲明：本文部分內(nèi)容由AI輔助生成（AIGC），僅供參考