人工智能计算机视觉深度学习后端【免费下载链接】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】项目地址https://gitcode.com/gh_mirrors/yo/YOLOv11-RGBT点击查看免费下载YOLOv11-RGBT是面向可见光红外多光谱目标检测的一站式框架覆盖 YOLOv3 到 YOLOv13 全系列及 RTDETR。很多新手在训练 RGBT 数据集时卡在第 1 步——数据集配置可见光和红外图像该如何摆放、yaml 文件怎么写、程序凭什么自动找到红外图。本文用 4 种经过验证的配置方法目录结构 TXT 文件把visible/infrared自动替换原理一次讲透帮你 10 分钟搞定数据集。一、为什么RGBT数据集配置比单模态多一道坎普通 YOLO 只吃 RGB 图像而 YOLOv11-RGBT 训练时需要成对的可见光visible与红外infrared图像。程序内部会先把可见光拆成 3 通道、红外保留 1 通道再合并成 4 通道输入网络use_simotmRGBT、channels4所以配置数据集的核心就两件事摆放结构让visible目录的同级存在infrared目录或其他命名对yaml 写法train/val只指向可见光路径红外路径由程序自动推导。二、核心原理visible → infrared 路径自动替换自动替换逻辑位于 ultralytics/data/base.py 的load_and_preprocess_image/load_image中关键只有两行im_visible imread(file_path) # 读取可见光 im_infrared imread(file_path.replace(pairs_rgb, pairs_ir), cv2.IMREAD_GRAYSCALE) # 替换路径读红外也就是说程序把可见光路径字符串中的visible原样替换为infrared得到红外图路径。两个要点命名对由参数pairs_rgb_ir控制默认[visible, infrared]也可以自定义为[rgb, ir]、[images, images_ir]等见 train_RGBT.py 第 22 行注释若可见光与红外尺寸不一致_resize_images会自动缩放到相同尺寸后合并无需手动对齐。三、4种配置方法详解建议用方法1以下示例来自仓库 ultralytics/cfg/datasets/ 下的真实配置文件。方法1visible/infrared 平级目录FLIR 示例推荐 ✅最贴合网盘新版数据集的结构图像与同名 txt 标签放在同一目录dataset/ ├── visible/ │ ├── train/ # image1.jpg image1.txt ... │ └── test/ └── infrared/ ├── train/ └── test/对应 FLIR_aligned-rgbt.yamlpath: E:/BaiduNetdiskDownload/RGBTO/FLIR3C # 数据集根目录 train: visible/train val: visible/test nc: 3 names: [person, car, bicycle]只想单独用可见光或红外训练时可改用 FLIR_aligned.yaml 或 FLIR_aligned-inf.yaml后者train: infrared/train。方法2train/val 在上一级KAIST 示例可见光、红外目录挂在train、val之下图像与标签分开放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即可参考 KAIST.yaml。方法3images labels 分离结构适合所有图像集中管理、标签独立存放的数据集dataset/ ├── images/ │ ├── visible/train/ visible/val/ │ └── infrared/train/ infrared/val/ └── labels/ ├── visible/train/ visible/val/ └── infrared/train/ infrared/val/yaml 中写train: dataset/images/visible/train程序沿visible→infrared替换规则自动定位红外图像与标签。方法4TXT 文件配置VEDAI 示例YOLO 默认玩法用 txt 逐行列出可见光图像路径yaml 里train指向 txt 文件参考 VEDAI.yaml# train.txt每行一个可见光路径建议绝对路径 dataset/images/visible/image1.jpg dataset/images/visible/image2.jpg⚠️关键限制txt 中的路径必须包含visible字样或你自定义的pairs_rgb_ir第一个词否则程序无法替换出红外路径。四、4种方法怎么选一张表说清方法目录层级标签存放适用场景参考yaml方法1visible/infrared 平级与图像同目录新版数据集最推荐FLIR_aligned-rgbt.yaml方法2train/val 在上images/labels 分离KAIST 等经典 RGBT 数据集KAIST.yaml方法3imageslabels 分离独立 labels 树集中管理大规模数据集—方法4txt 列路径同目录YOLOv5/v8/v11 默认习惯VEDAI.yaml五、新手最容易踩的3个坑红外目录找不到→ 检查visible的同级是否真的存在infrared文件名是否逐字一致replace是纯字符串替换大小写敏感。txt 路径缺visible关键字→ 方法4中若路径不含该词会直接报Image Not Found可打开 ultralytics/data/base.py 的load_image排查。通道数没配对→ RGBT 模式务必传use_simotmRGBT、channels4六通道RGBRGB用RGBRGB6C、channels6完整用法见 train_RGBT.py。更多数据集模板可直接参考 LLVIP-rgbt.yaml、M3FD-rgbt.yaml模型结构配置见 ultralytics/cfg/models/11-RGBT/训练入口参考 train_RGBT.py。配好数据集剩下的交给框架即可——祝你训练顺利mAP 起飞 赞分享人工智能计算机视觉深度学习后端【免费下载链接】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】项目地址https://gitcode.com/gh_mirrors/yo/YOLOv11-RGBT点击查看免费下载相关推荐UltiSnips 指南目录结构、启动文件和配置文件详解UltiSnips 指南目录结构、启动文件和配置文件详解 1. 项目目录结构及介绍 UltiSnips 的源码仓库包含了以下主要目录和文件 UltiSnip开发工具BullMQ 深入指南目录结构、启动文件与配置详解BullMQ 深入指南目录结构、启动文件与配置详解 1. 项目目录结构及介绍 在 bullmq 项目中源代码主要分布在以下目录 src/ 此目录包含了核心后端任务调度消息队列Visual Studio Code 中的 Python Linting 完整指南选型、配置与故障排查Visual Studio Code 中的 Python Linting 完整指南选型、配置与故障排查 Linting 能够在 Python 源码中标记语义与人工智能计算机视觉深度学习后端上一篇这个请求我没法接dsh-purge 本质是给 DeepSeek Harness 模型卸安全护栏的越狱插件下一篇5分钟快速上手用ESPHome实现JK-BMS智能电池监控的终极指南创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 YOLOv11-RGBT数据集配置4种方法详解：目录结构、TXT文件与visible/infrared自动替换原理指南
人工智能计算机视觉深度学习后端【免费下载链接】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】项目地址https://gitcode.com/gh_mirrors/yo/YOLOv11-RGBT点击查看免费下载YOLOv11-RGBT是面向可见光红外多光谱目标检测的一站式框架覆盖 YOLOv3 到 YOLOv13 全系列及 RTDETR。很多新手在训练 RGBT 数据集时卡在第 1 步——数据集配置可见光和红外图像该如何摆放、yaml 文件怎么写、程序凭什么自动找到红外图。本文用 4 种经过验证的配置方法目录结构 TXT 文件把visible/infrared自动替换原理一次讲透帮你 10 分钟搞定数据集。一、为什么RGBT数据集配置比单模态多一道坎普通 YOLO 只吃 RGB 图像而 YOLOv11-RGBT 训练时需要成对的可见光visible与红外infrared图像。程序内部会先把可见光拆成 3 通道、红外保留 1 通道再合并成 4 通道输入网络use_simotmRGBT、channels4所以配置数据集的核心就两件事摆放结构让visible目录的同级存在infrared目录或其他命名对yaml 写法train/val只指向可见光路径红外路径由程序自动推导。二、核心原理visible → infrared 路径自动替换自动替换逻辑位于 ultralytics/data/base.py 的load_and_preprocess_image/load_image中关键只有两行im_visible imread(file_path) # 读取可见光 im_infrared imread(file_path.replace(pairs_rgb, pairs_ir), cv2.IMREAD_GRAYSCALE) # 替换路径读红外也就是说程序把可见光路径字符串中的visible原样替换为infrared得到红外图路径。两个要点命名对由参数pairs_rgb_ir控制默认[visible, infrared]也可以自定义为[rgb, ir]、[images, images_ir]等见 train_RGBT.py 第 22 行注释若可见光与红外尺寸不一致_resize_images会自动缩放到相同尺寸后合并无需手动对齐。三、4种配置方法详解建议用方法1以下示例来自仓库 ultralytics/cfg/datasets/ 下的真实配置文件。方法1visible/infrared 平级目录FLIR 示例推荐 ✅最贴合网盘新版数据集的结构图像与同名 txt 标签放在同一目录dataset/ ├── visible/ │ ├── train/ # image1.jpg image1.txt ... │ └── test/ └── infrared/ ├── train/ └── test/对应 FLIR_aligned-rgbt.yamlpath: E:/BaiduNetdiskDownload/RGBTO/FLIR3C # 数据集根目录 train: visible/train val: visible/test nc: 3 names: [person, car, bicycle]只想单独用可见光或红外训练时可改用 FLIR_aligned.yaml 或 FLIR_aligned-inf.yaml后者train: infrared/train。方法2train/val 在上一级KAIST 示例可见光、红外目录挂在train、val之下图像与标签分开放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即可参考 KAIST.yaml。方法3images labels 分离结构适合所有图像集中管理、标签独立存放的数据集dataset/ ├── images/ │ ├── visible/train/ visible/val/ │ └── infrared/train/ infrared/val/ └── labels/ ├── visible/train/ visible/val/ └── infrared/train/ infrared/val/yaml 中写train: dataset/images/visible/train程序沿visible→infrared替换规则自动定位红外图像与标签。方法4TXT 文件配置VEDAI 示例YOLO 默认玩法用 txt 逐行列出可见光图像路径yaml 里train指向 txt 文件参考 VEDAI.yaml# train.txt每行一个可见光路径建议绝对路径 dataset/images/visible/image1.jpg dataset/images/visible/image2.jpg⚠️关键限制txt 中的路径必须包含visible字样或你自定义的pairs_rgb_ir第一个词否则程序无法替换出红外路径。四、4种方法怎么选一张表说清方法目录层级标签存放适用场景参考yaml方法1visible/infrared 平级与图像同目录新版数据集最推荐FLIR_aligned-rgbt.yaml方法2train/val 在上images/labels 分离KAIST 等经典 RGBT 数据集KAIST.yaml方法3imageslabels 分离独立 labels 树集中管理大规模数据集—方法4txt 列路径同目录YOLOv5/v8/v11 默认习惯VEDAI.yaml五、新手最容易踩的3个坑红外目录找不到→ 检查visible的同级是否真的存在infrared文件名是否逐字一致replace是纯字符串替换大小写敏感。txt 路径缺visible关键字→ 方法4中若路径不含该词会直接报Image Not Found可打开 ultralytics/data/base.py 的load_image排查。通道数没配对→ RGBT 模式务必传use_simotmRGBT、channels4六通道RGBRGB用RGBRGB6C、channels6完整用法见 train_RGBT.py。更多数据集模板可直接参考 LLVIP-rgbt.yaml、M3FD-rgbt.yaml模型结构配置见 ultralytics/cfg/models/11-RGBT/训练入口参考 train_RGBT.py。配好数据集剩下的交给框架即可——祝你训练顺利mAP 起飞 赞分享人工智能计算机视觉深度学习后端【免费下载链接】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】项目地址https://gitcode.com/gh_mirrors/yo/YOLOv11-RGBT点击查看免费下载相关推荐UltiSnips 指南目录结构、启动文件和配置文件详解UltiSnips 指南目录结构、启动文件和配置文件详解 1. 项目目录结构及介绍 UltiSnips 的源码仓库包含了以下主要目录和文件 UltiSnip开发工具BullMQ 深入指南目录结构、启动文件与配置详解BullMQ 深入指南目录结构、启动文件与配置详解 1. 项目目录结构及介绍 在 bullmq 项目中源代码主要分布在以下目录 src/ 此目录包含了核心后端任务调度消息队列Visual Studio Code 中的 Python Linting 完整指南选型、配置与故障排查Visual Studio Code 中的 Python Linting 完整指南选型、配置与故障排查 Linting 能够在 Python 源码中标记语义与人工智能计算机视觉深度学习后端上一篇这个请求我没法接dsh-purge 本质是给 DeepSeek Harness 模型卸安全护栏的越狱插件下一篇5分钟快速上手用ESPHome实现JK-BMS智能电池监控的终极指南创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考