---
title: wechat-ui-yolo
canonical_url: "https://www.modelscope.cn/models/begoshensaid/wechat-ui-yolo"
md_url: "https://www.modelscope.cn/models/begoshensaid/wechat-ui-yolo.md"
repository: begoshensaid/wechat-ui-yolo
chinese_name: "微信聊天UI元素识别"
last_updated: 2025-12-08
pipeline_tag: domain-specific-object-detection
tasks:
  - domain-specific-object-detection
library_name:
  - onnx
downloads: 29
stars: 3
---

# wechat-ui-yolo

> wechat-ui-yolo - begoshensaid 在 ModelScope 开源的模型。微信界面要素检测

- **Repository**: begoshensaid/wechat-ui-yolo
- **Tasks**: domain-specific-object-detection
- **Downloads**: 29
- **Stars**: 3
- **Last updated**: 2025-12-08

Source: https://www.modelscope.cn/models/begoshensaid/wechat-ui-yolo

---

# 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）：
```
yolo detect train \
  data=dataset.yaml model=yolo11n imgsz=896 \
  epochs=32 batch=32 device=0 \
  fliplr=0.0 flipud=0.0 mosaic=0.0 mixup=0.0
```
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：
```
yolo detect val \
  data=dataset.yaml \
  model=wechat-ui-r11/wechat-ui-r11-yolo11n-r132/weights/best.pt
```
- 推理（示例）：
```
yolo predict \
  model=wechat-ui-r11/wechat-ui-r11-yolo11n-r132/weights/best.pt \
  source=r5/demo
```

## 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：

![results](wechat-ui-r11/wechat-ui-r11-yolo11n-r132/results.png)

混淆矩阵（未归一化）：

![confusion](wechat-ui-r11/wechat-ui-r11-yolo11n-r132/confusion_matrix.png)

验证样例（标签与预测）：

![val_labels](wechat-ui-r11/wechat-ui-r11-yolo11n-r132/val_batch0_labels.jpg)

![val_pred](wechat-ui-r11/wechat-ui-r11-yolo11n-r132/val_batch0_pred.jpg)



![demo](screenshot.png)

## 常见问题
- 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`。