模型介绍
中文整理WeChat UI 检测数据集
本仓库包含用于训练 Ultralytics YOLO 的微信界面要素检测数据集与训练脚本。数据按多轮次（r1、r3、r4、r5、r7、r9）组织，共 29 个类别（见 dataset.yaml ）。
数据集结构
dataset.yaml ：数据集配置（训练/验证路径与类别名）。
r*/images/{train,val} ：图片； r*/labels/{train,val} ：YOLO 标签（与图片同名 .txt ）。
train-yolo ：zsh 训练脚本（已设定常用超参）。
wechat-ui-r11/... ：训练输出（曲线图、混淆矩阵、权重等）。
环境准备
Python 3.8+，安装 Ultralytics： pip install ultralytics
可选：CUDA/GPU 环境（建议）
训练步骤
方式一（推荐脚本）：
确保可执行： chmod +x ./train-yolo
运行： ./train-yolo （如需更换 GPU，将脚本内 device 改为合适编号）
方式二（自定义命令）：
训练输出默认写入 wechat-ui-r11/ 下相应运行目录。
验证与推理
验证：
推理（示例）：
训练结果解释
results.png ：训练/验证曲线。常见指标：
- 损失（box/cls/dfl）下降、mAP/P/R 上升为正常趋势。
results.csv ：逐 epoch 指标表。查看末行获取最终 mAP50、mAP50-95、P、R 等。
confusion matrix.png 与 confusion matrix normalized.png ：类别混淆情况，越靠对角越好。
BoxP curve.png / BoxR curve.png / BoxPR curve.png / BoxF1 curve.png ：阈值变化下的精度/召回/PR/F1 曲线。
train batch*.jpg ：训练批次可视化，检查增强与标注合理性。
val batch* labels.jpg 与 val batch* pred.jpg ：验证集标注与预测对比，便于快速质检。
weights/ ：
- best.pt ：验证指标最佳权重（首选用于部署/评估）。
- last.pt ：最后一个 epoch 的权重（用于继续训练或对比）。
示例截图
下列示例来自一次训练运行（目录： wechat-ui-r11/wechat-ui-r11-yolo11n-r132/ ）：
训练/验证曲线：
混淆矩阵（未归一化）：
验证样例（标签与预测）：
Frequently Asked Questions
类别/索引需与 dataset.yaml 一致；图片与标签需同名配对。
训练卡顿或显存不足：降低 batch 或 imgsz ，或切换 device 。
优先采用原作者提供的中文模型卡片；仅有英文说明时由闲社AI翻译整理。重要参数、许可证和商用范围请以原文为准。
你将获得什么
完整仓库方式包含该固定版本中的权重、配置、分词器及说明文件；指定版本方式只下载所选文件或整组分片。多模态模型的投影文件、配置等依赖，请按作者说明配齐。
完整仓库可能包含多个权重格式，因此需要的磁盘空间可能大于单一格式的模型大小。下载文件不等于完成模型部署。
使用前须知
运行模型需要的设备、工具与依赖，以原作者说明为准。
是否允许商用、修改和分发，请查看模型许可证。
闲社提供资料与镜像下载方法，不代表已运行模型或完成安全审计。下载的代码应先检查，再执行。
Problem with the information or download?
Sign in to submit feedback.