YOLO11项目目录结构说明，一看就懂-程序员充电站

YOLO11项目目录结构说明，一看就懂

你刚拉起YOLO11镜像，打开终端，输入ls却看到满屏文件夹——ultralytics/、datasets/、runs/、weights/、train.py……它们各自负责什么？哪个该放图片、哪个该改参数、哪个动了会训练失败？别急，这篇文章不讲原理、不堆代码，只用一张清晰的“项目地图”，带你3分钟理清YOLO11镜像里每个关键目录的真实作用。无论你是第一次跑通模型的新手，还是想快速上手自定义训练的开发者，读完就能准确找到该去哪改、该往哪放、该看哪份日志。

1. 整体结构概览：四个核心区域

YOLO11镜像不是杂乱无章的文件堆砌，而是围绕“开发—数据—训练—产出”四条主线组织的。整个项目根目录（即你执行cd ultralytics-8.3.9/后进入的位置）可划分为四大功能区：

代码核心区：ultralytics/—— 模型骨架与所有算法逻辑所在，不建议直接修改
数据准备区：datasets/—— 你自己的图片、标签、配置文件的“家”，唯一需要你动手填充的地方
运行产出区：runs/—— 训练过程中的日志、图表、权重自动保存地，只读不写
资源管理区：weights/+train.py/infer.py—— 预训练模型存放点 + 你写的启动脚本，是连接数据与代码的“开关”

这四个区域各司其职，互不越界。理解它们的边界，你就掌握了YOLO11项目的底层秩序。

2. 代码核心区：`ultralytics/`—— 模型的“心脏”，保持原样就好

2.1 它是什么？

ultralytics/是 Ultralytics 官方维护的 Python 包源码目录，完整包含了 YOLO11 的所有模型定义、训练循环、推理引擎、数据加载器和评估模块。它不是你写的脚本，而是你调用的“工具箱”。

2.2 里面有什么？（精简版，只列关键）

ultralytics/ ├── __init__.py # 包入口，让你能 from ultralytics import YOLO ├── engine/ # 核心训练/验证/推理逻辑（train.py, val.py, predict.py） ├── models/ # 模型结构定义（含 yolo11-seg.yaml 等配置模板） │ └── v8/ # （注意：YOLO11 实际沿用 v8 目录结构，兼容性设计） │ └── cfg/ # 所有 .yaml 配置文件的集中地（重点！） │ ├── models/ # 模型结构配置（如 yolo11m-seg.yaml） │ └── datasets/ # 数据集配置模板（如 coco128.yaml） ├── utils/ # 工具函数（日志、绘图、指标计算等） └── cfg/ # 全局默认配置（如 default.yaml，一般无需改动）

2.3 你该怎么做？

可以查看：比如想确认某个参数默认值，直接打开ultralytics/cfg/default.yaml
可以引用：在train.py中from ultralytics import YOLO就是调用这里
❌不要修改：除非你是在做深度二次开发（如重写 backbone），否则不要碰engine/或models/下的.py文件
重点留意cfg/子目录：models/11/下的yolo11-seg.yaml是你定制模型结构的唯一入口；datasets/下的.yaml是你定义自己数据路径的必改项——它们是“配置”，不是“代码”，安全可改

一句话记住：ultralytics/是你信赖的“黑盒引擎”，你只负责给它喂数据、设参数、按开关，不用拆开修理。

3. 数据准备区：`datasets/`—— 你掌控的“唯一战场”

3.1 它为什么重要？

YOLO11 不认识你的图片，也不懂你的业务类别。datasets/就是你向模型“自我介绍”的地方：告诉它“我的图在哪”、“我的类叫什么”、“我的标签长啥样”。这里填错，后面全白忙。

3.2 标准目录结构（以实例分割为例）

假设你要训练一个“点餐场景中的人与餐盘”分割模型，推荐这样组织：

datasets/ └── seg_point_offer_20240930/ # 你的数据集根目录（名字自定，但要和 yaml 里一致） ├── train/ # 训练集 │ ├── images/ # 所有训练图片（.jpg/.png） │ └── labels/ # 对应的 YOLO 分割标签（.txt，每张图一个） ├── val/ # 验证集（结构同 train） │ ├── images/ │ └── labels/ └── test/ # （可选）测试集 ├── images/ └── labels/

3.3 关键配套文件：`point-offer-seg.yaml`

这个 YAML 文件必须放在ultralytics/cfg/datasets/下（或你train.py同级目录），内容示例：

# Ultralytics YOLO path: ./datasets/seg_point_offer_20240930 # ← 必须指向上面创建的根目录！路径错误是新手最高频报错 train: train/images # ← 相对于 path 的子路径 val: val/images test: test/images # ← 可选，用于最终评估 # 类别名称（顺序必须和 labelme json 转 txt 时的映射完全一致！） names: 0: person 1: tray 2: food

3.4 你该怎么做？

严格按结构放图和标签：图片进images/，生成的.txt进labels/，文件名必须一一对应（abc.jpg↔abc.txt）
YAML 中path写相对路径：从train.py所在位置出发算，./datasets/xxx最安全
names顺序=类别ID顺序：label_to_class_id = {"person": 0, "tray": 1}必须和 YAML 里0: person, 1: tray完全一致
❌不要把图片直接丢进datasets/根目录：必须套一层your_dataset_name/，否则 YAML 无法定位

避坑提示：训练时报错No images found或No labels found，90% 是因为path写错，或images/和labels/没放在train/val/下。

4. 运行产出区：`runs/`—— 模型的“成长日记本”

4.1 它自动产生什么？

每次你运行python train.py，YOLO11 就会在runs/下自动生成全新子目录，记录一切：

runs/ └── segment/ # 任务类型（detect/segment/pose/obb） └── train2/ # 自动编号，第2次训练（train1, train2...） ├── weights/ # 训练出的模型文件 │ ├── last.pt # 最后一轮权重（含优化器状态，可 resume） │ └── best.pt # 验证指标最优的权重（推理用这个！） ├── results.csv # 每轮 loss/mAP 等数值，可用 Excel 打开 ├── results.png # 自动生成的训练曲线图（loss、P、R、mAP） ├── train_batch0.jpg # 第0批训练数据增强效果预览 ├── val_batch0_pred.jpg # 验证集首张图预测效果（带框+掩膜） └── args.yaml # 本次训练所有参数快照（复现实验的依据）

4.2 你该怎么做？

定期检查results.png：一眼看出训练是否收敛、有无过拟合（val loss 上升）
用best.pt做推理：model = YOLO("runs/segment/train2/weights/best.pt")
保留args.yaml：它记录了你实际用了哪些参数，比train.py里的字典更真实
❌不要手动删除runs/下的旧目录：除非磁盘告急，否则留着它是你实验的完整证据链
last.pt≠best.pt：last.pt是训练终点，best.pt是验证集表现顶峰——后者才是部署首选

效率技巧：想快速对比两次训练？直接打开两个results.png并排看曲线，比读日志快十倍。

5. 资源管理区：`weights/`与`train.py`—— 你的“控制台”

5.1`weights/`：预训练模型的保险柜

这个目录专放.pt权重文件，YOLO11 官方提供多种尺寸和任务的预训练模型：

yolo11n-seg.pt：轻量级，适合边缘设备
yolo11m-seg.pt：平衡型，本文示例默认使用
yolo11x-seg.pt：高精度，需大显存

你只需做两件事：

把下载好的.pt文件放进weights/
在train.py中写明路径：model = YOLO("yolo11m-seg.yaml").load("weights/yolo11m-seg.pt")

注意：.yaml（结构）和.pt（权重）必须匹配！yolo11m-seg.yaml+yolo11m-seg.pt是黄金组合。

5.2`train.py`：你写的“一键启动脚本”

这是你和 YOLO11 交互的唯一接口文件，位于项目根目录（与ultralytics/同级）。它的核心就三行：

from ultralytics import YOLO # 1. 加载结构 + 权重 model = YOLO("yolo11m-seg.yaml").load("weights/yolo11m-seg.pt") # 2. 定义所有参数（数据路径、轮数、图像大小等） train_params = { 'data': "point-offer-seg.yaml", # ← 指向你放在 cfg/datasets/ 下的 yaml 'epochs': 30, 'imgsz': 640, 'batch': 8, # ... 其他100+参数（按需开启） } # 3. 开始训练 results = model.train(**train_params)

你该关注的只有三个变量：

'data'：必须是你自己写的 YAML 文件名（不含路径，因它默认在ultralytics/cfg/datasets/下找）
'epochs'/'imgsz'/'batch'：最常调整的三大参数，直接影响训练速度和效果
model.train()：这一行执行后，所有日志、图表、权重自动出现在runs/下

新手第一课：先不改任何参数，确保train.py能跑通，再逐步调整'epochs'和'batch'。稳定压倒一切。

6. 其他辅助目录：`docker/`、`examples/`、`tests/`—— 可忽略，但要知道它们存在

docker/：镜像构建用的 Dockerfile 和配置，你用现成镜像就不用管
examples/：官方提供的 Jupyter Notebook 示例（如detect.ipynb），适合快速试效果
tests/：单元测试代码，验证框架功能，开发者调试用，你无需触碰
docs/：API 文档源码，生成后的文档在 docs.ultralytics.com
runs/detect/、runs/pose/：其他任务类型的产出目录，和runs/segment/平级，互不干扰

这些目录的存在，说明这个镜像是一个完整的、可扩展的开发环境，而不仅是一个“能跑的 demo”。你用不到它们，但知道它们在哪，会让你面对新需求时更有底气。

7. 总结：一张表，锁定所有关键路径

功能	目录路径	你能做什么	绝对不能做什么
模型结构	`ultralytics/cfg/models/11/yolo11-seg.yaml`	修改 backbone/head 参数、调整层数	修改`ultralytics/models/`下的`.py`文件
数据配置	`ultralytics/cfg/datasets/point-offer-seg.yaml`	改`path`、`train`、`val`、`names`	把图片直接放`datasets/`根目录
你的数据	`datasets/seg_point_offer_20240930/`	放`train/images/`、`train/labels/`	在`labels/`里放`.json`或`.xml`
预训练模型	`weights/yolo11m-seg.pt`	下载后复制进来	用`yolo11n.yaml`+`yolo11m.pt`混搭
训练脚本	`train.py`（根目录）	修改`data`、`epochs`、`batch`等参数	删除`from ultralytics import YOLO`行
训练结果	`runs/segment/train2/`	查`results.png`、取`best.pt`、看`args.yaml`	手动修改`weights/last.pt`的内容

这张表就是你在YOLO11镜像里的“导航仪”。下次遇到问题，先问自己：这个问题属于哪一类？然后直奔对应目录，90% 的困惑都能迎刃而解。

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。

YOLO11项目目录结构说明，一看就懂