本文介绍如何将目标检测、物体分类和实例分割模型部署到 HUSKYLENS 2（二哈识图 2），主要包括「准备数据集 → 训练模型 → 导出 ONNX 模型 → 生成安装包 → 安装到 HUSKYLENS 2」五个步骤。本文提供基础训练代码，并重点介绍模型安装包的生成与安装方法。

1. 自训练模型安装介绍

除了预置的 20 多种视觉识别模型外，HUSKYLENS 2 还支持通过“模型安装”功能，将用户自行训练的目标检测、物体分类和实例分割模型部署到设备中，满足个性化视觉识别项目的需求。

简单来说，如果你想让 HUSKYLENS 2 识别预置模型无法识别的物体（如家中的宠物、某个玩具或特定零件），可以自行收集相关照片、训练模型，再将模型安装到 HUSKYLENS 2。安装完成后，即可像使用预置模型一样使用自训练模型。

如果你需要更多模型，可以先前往模型中心查看是否已有符合项目需求的模型；如果没有合适的模型，再按照本文步骤自行训练和部署。

部署自训练模型主要包括以下步骤：

1. 准备数据集：收集并整理需要识别的物体图片，按照规定格式存放。
2. 训练模型：在电脑上训练模型。
3. 导出模型：将训练得到的模型文件转换为 ONNX 格式。
4. 生成安装包：使用官方提供的“模型安装包生成器”，将 ONNX 模型打包为可以在 HUSKYLENS 2 中使用的安装包。
5. 安装部署：将安装包复制到 HUSKYLENS 2，完成安装。

下面将分别介绍如何把自训练的目标检测、物体分类和实例分割模型部署到 HUSKYLENS 2。

2. 可安装模型要求

如果你已经有训练好的模型，可以通过本节快速确认该模型能否安装到 HUSKYLENS 2。如果你准备跟随本文从头训练模型，可以先跳过本节，后面的示例均已按照这些要求设置。

模型需要满足以下条件：

1. 模型架构：仅支持上表列出的轻量级模型，不支持 YOLOv5、YOLOv8s、YOLO11s 以及其他未列出的模型或变体。
2. 输入尺寸：训练和导出 ONNX 时应使用相同的输入尺寸，并且只能选择 224、320 或 640。
3. 模型格式：用于生成安装包的模型必须为 ONNX 格式。使用 Ultralytics 训练得到的 best.pt，需要先导出为 .onnx 文件。
4. 配套数据集：除了模型文件，还需要准备用于训练或量化校准的数据集。最好直接使用训练该模型时的数据集；如果原训练数据集已无法获取，也可以另外准备一组能够被模型正确识别的图片，并按照对应任务的 YOLO 数据集格式整理。每个类别建议不少于 10 张图片；对于目标检测和实例分割任务，应准备包含对应类别且标注正确的图片。

如果现有模型符合以上要求，请根据模型的任务类型选择下面对应的安装教程。

3. 软件与硬件准备

开始操作前，请准备以下软件和硬件：

1. 将 HUSKYLENS 2 固件升级到最新版本，以正常使用模型安装功能。固件版本查看与烧录教程：点击查看。
2. 准备一台运行 Windows 10 或更高版本系统的电脑。HUSKYLENS 2 模型安装包生成器目前仅支持 Windows 10 或更高版本。
3. 安装 .NET 7.0 运行环境。请打开 .NET 7.0 下载页面；如果电脑使用 64 位 Windows，请选择 Windows x64 版本下载并安装。

4. 下载并解压 HUSKYLENS 2 模型安装包生成器：点击下载。你也可以访问工具源码，自行部署：点击查看源码。
5. 准备一根支持数据传输的 USB 线，用于连接电脑与 HUSKYLENS 2，并将生成的 ZIP 安装包复制到设备中。

准备完成后，请根据任务类型查看对应的安装教程。

4. 目标检测模型安装

目标检测（Object Detection）是常见的视觉识别任务之一。它不仅能判断画面中“有什么物体”，还能用方框标出每个物体的位置，并给出类别名称和置信度（即模型对判断结果的把握程度）。你可以把它理解为“边识别边画框”：例如摄像头前同时出现猫和狗时，模型会分别框出猫和狗，并标注“猫 0.92”“狗 0.88”等结果。

目标检测模型的特点可以概括为：

• 能同时识别画面中的多个物体，并分别框出每个物体的位置。
• 每个识别结果都包含类别名称、位置框和置信度，方便你后续做判断或控制。
• 特别适合需要“找到物体在哪、是什么”的场景，例如垃圾分类、零件识别、动物识别等。

YOLO（You Only Look Once）是目前常用的目标检测算法之一，具有速度快、精度高、易于上手等特点。HUSKYLENS 2 支持部署 YOLO 系列中的 YOLOv8n 和 YOLO11n 两种轻量级目标检测架构。下面将以 YOLO 目标检测模型为例，介绍训练与部署方法。

4.1 准备 YOLO 目标检测数据集

训练目标检测模型的第一步是准备数据集。数据集可以理解为“给模型看的教材”，其中包含图片，以及图片中物体的位置和类别标注。模型通过反复学习这些“图片 + 标注”，逐步掌握物体识别能力。

HUSKYLENS 2 的模型安装包生成器要求数据集采用标准的 YOLO 格式。一个标准的 YOLO 目标检测数据集，文件夹结构如下：

dataset_dir
├── data.yaml
├── images
│   ├── train
│   │   ├── image_001.jpg
│   │   └── ...
│   └── val                     # 建议保留；用于训练验证，转换时不会读取
│       └── ...
└── labels
    ├── train
    │   ├── image_001.txt
    │   └── ...
    └── val                     # 建议保留；用于训练验证，转换时不会读取
        └── ...

在这个结构中，各文件和文件夹的作用如下：

• data.yaml：数据集配置文件，用于定义训练、验证数据的路径和类别名称。
• images/train：存放训练用的原始图片。
• labels/train：存放每张图片对应的标注文件。标注文件和图片一一对应、同名，只是扩展名不同：图片叫 image_001.jpg，标签就叫 image_001.txt。
• images/val 和 labels/val：存放验证图片及对应标签。模型安装包生成器不会读取这些文件，但训练时建议保留验证集，用于评估模型效果。

data.yaml（也常命名为 dataset.yaml）的内容示例如下：

path: ./                  # 可选：相对于此 YAML 文件的数据集根目录
train: ./images/train     # 训练图片的路径
val: ./images/val
names:
  0: cat
  1: dog

文件中各项的含义如下：

• path：数据集根目录，可以省略。省略时以 YAML 文件所在目录为基准。
• train：训练图片所在的目录（相对路径）。
• names：类别编号与名称的对照表，编号从 0 开始依次递增。

这里我们提供一个标准 YOLO 格式的猫狗数据集，可直接用于目标检测模型训练，供你参考：数据集和模型示例

提示：如果你使用常见的标注工具（如 LabelImg、Roboflow 等），请记得把标注结果导出为 YOLO 格式（一张图片对应一个 .txt 文件）。

如需了解 YOLO 目标检测数据集的详细格式、更多示例，以及从其他格式（如 COCO）转换的方法，请参阅 Ultralytics 官方教程：Object Detection Datasets。该文档提供了完整的数据集目录示例和标签格式说明。

4.2 训练目标检测模型

数据集准备好之后，就可以开始训练模型了。训练模型需要一定的 Python 环境和 Ultralytics 库支持，如果你还不熟悉，可以先参考 Ultralytics 官方入门教程：快速入门。

请特别注意以下两点：

1. HUSKYLENS 2 仅支持架构为 YOLOv8n 和 YOLO11n 的自训练模型，其他架构（如 YOLOv8s、YOLO11s、YOLOv5 等）都不支持，训练时请只在这两类里选择。
2. HUSKYLENS 2 仅支持 224 × 224、320 × 320 和 640 × 640 这三种输入尺寸。

下面给出完整的训练代码示例，只需将其中的路径替换为实际路径：

from ultralytics import YOLO

if __name__ == "__main__":
    # 加载预训练模型
    # HUSKYLENS 2 仅支持 "yolov8n.pt" 和 "yolo11n.pt" 两种，请勿使用其他型号
    model = YOLO("yolov8n.pt")   # 也可以换成 "yolo11n.pt"

    # 训练模型
    # data  : 你自己的 dataset.yaml 文件路径，请替换为实际路径
    # epochs: 训练轮数，可先从 30 开始；轮数过少可能训练不足，过多也可能导致过拟合
    # imgsz : 输入图片尺寸，HUSKYLENS 2 仅支持 224 / 320 / 640
    results = model.train(
        data="path/to/your_dataset.yaml",   # 例如 r"D:\datasets\mydata\dataset.yaml"
        epochs=30,
        imgsz=640,
    )

训练完成后，Ultralytics 默认会在 runs/detect/train/weights/ 目录下生成模型权重文件，其中 best.pt 是效果最好的模型。如果已有同名训练目录，系统可能会自动生成 train2、train3 等带编号的目录。

4.3 导出目标检测 ONNX 模型

训练得到的是 .pt 格式的模型文件，而 HUSKYLENS 2 的模型安装需要 ONNX 格式的模型。因此还需要把 .pt 转换成 .onnx。转换代码如下：

from ultralytics import YOLO

if __name__ == "__main__":
    # 加载训练好的模型权重（请替换成你的 best.pt 实际路径）
    model = YOLO("path/to/best.pt")   # 例如 r"D:\...\runs\detect\train\weights\best.pt"

    # 导出为 ONNX 格式，导出后会在同目录下生成 best.onnx
    # imgsz 需与训练时的输入尺寸保持一致（224 / 320 / 640）
    model.export(format="onnx", imgsz=640)

执行成功后，best.pt 所在目录中会生成 best.onnx 文件，后续生成安装包时将使用该文件。

你可以使用数据集和模型示例，参考上方代码训练猫狗识别目标检测模型。下载的样例数据集中还包含已经训练并导出的 ONNX 模型。

关于训练和导出教程，请参考 Ultralytics 官方教程：Model Training 和 Model Export。

4.4 生成目标检测模型安装包

训练并导出 ONNX 模型后，不能直接将其复制到 HUSKYLENS 2 使用。自训练模型需要通过 HUSKYLENS 2 的模型安装功能，以“安装包”的形式部署。官方提供的 HUSKYLENS 2 模型安装包生成器可将 ONNX 模型打包为 HUSKYLENS 2 能够识别的 ZIP 安装包。

4.4.1 准备 HUSKYLENS 2 模型安装包生成器

如果尚未安装 .NET 7.0 或下载模型安装包生成器，请先按照第 3 节“软件与硬件准备”完成操作。

4.4.2 生成 HUSKYLENS 2 目标检测模型安装包

完成第 3 节的软件与硬件准备后，双击运行 HUSKYLENS2_Package_Generator.exe。工具界面如下。

HUSKYLENS2_Package_Generator 的各功能区域及操作步骤如下。

下面以猫狗识别为例，演示生成目标检测模型安装包的完整流程。如果你想跟随示例操作，请下载数据集和模型示例。

开始之前，请先在工具顶部完成以下三项基础设置：

1. 选择界面语言：切换到你习惯的语言（支持 English、简体中文、繁體中文等八种语言）。
2. 选择输出目录：选择安装包的保存位置，生成的 ZIP 安装包将保存到该目录。
3. 选择数据来源：保持默认的 YOLO 即可。

步骤一：选择数据集文件夹

点击 数据集文件夹，找到训练模型时用到的 YOLO 格式数据集文件夹，点击加载。

使用样例数据集时，请解压下载文件并选择 sample_datasets/Object Detection/Cat and Dog Object Detection Dataset 文件夹。

步骤二：选择 ONNX 模型

点击 ONNX 模型，选择使用该数据集训练并导出的 ONNX 模型文件，然后加载。

使用样例模型时，请选择 sample_datasets/Object Detection/cat_and_dog-det.onnx。

步骤三：确认模型参数信息

加载模型后，工具会自动检测并显示相关参数。请检查参数是否正确，并确认其与训练时的设置一致。

步骤四：完成模型应用在 HUSKYLENS 2 中的相关设置

• 在 应用名称 中设置模型部署到 HUSKYLENS 2 后显示的应用名称，例如 猫狗目标检测。

• 手动换行：输入框输入应用名称时，按 Enter 会插入\n换行符。

• 自动换行：英文每行最多 12 个字母，中文每行最多 6 个文字，超出部分会自动换行，最多显示两行。

• 点击 添加 可设置其他语言对应的应用名称；用户可添加八种语言中的其他语言名称；未单独填写的语言使用当前默认名称补齐；切换 HUSKYLENS 2 的系统语言时，应用名称也会相应切换。

工具会为模型应用分配默认图标。你也可以点击 选择图标，选择本地图片作为该应用在 HUSKYLENS 2 中显示的图标。

• 应用图标建议使用正方形、透明背景、白色线条的图片（与 HUSKYLENS 2 原生图标风格一致），也支持彩色图标；尺寸为 60 × 60 像素，选择其他尺寸的图片会被自动处理为 60 × 60。

你还可以设置模型在 HUSKYLENS 2 中的默认识别阈值。

步骤五：生成模型安装包

完成以上设置后，点击 开始 生成模型安装包。在生成完成前，请勿关闭工具。

目标检测模型安装包生成成功后，会出现以下提示。

生成的目标检测模型安装包可在所选输出目录中找到。安装包命名格式为“应用名-模型版本-任务类型-输入尺寸.校验码.zip”，例如 猫狗目标检测-YOLO11n-det-640.9eb6.zip。

• 请勿修改生成的 ZIP 安装包，包括包内文件和安装包文件名，否则 HUSKYLENS 2 将无法识别该安装包。

4.5 将目标检测模型安装到 HUSKYLENS 2

生成安装包后，即可将其安装到 HUSKYLENS 2：

使用 USB 线将 HUSKYLENS 2 连接到电脑，电脑上会出现一个名为 HUSKYLENS 2 的 U 盘。

把生成的 ZIP 格式模型安装包复制到 HUSKYLENS 2 U 盘中的以下路径：

Huskylens\storage\installation_package

在 HUSKYLENS 2 屏幕上打开“模型安装（Model Installation）”，然后选择“本地安装（Local Installation）”。

安装完成后，你就可以在功能列表中找到自己训练的目标检测模型了。

点击模型图标即可观察该模型的检测效果。以下是猫狗识别模型的检测效果。

测试图片如下。

如需删除模型，请在屏幕上找到已部署的自训练模型，长按应用图标，然后按照屏幕提示确认删除。

5. 物体分类模型安装

物体分类（Image Classification）是较为基础的视觉识别任务。它对整张图片给出类别判断，即回答“这张图是什么类别”。输出结果仅包含类别名称和置信度，不会标出物体位置，也不会同时输出多个目标。

物体分类模型的特点可以概括为：

• 只输出一个类别标签和置信度，结果最简单直观。
• 数据集不需要画框标注，制作成本低、上手快。
• 适合“只需要知道这是什么、不需要知道位置”的场景，例如垃圾分类、果蔬分类、宠物种类识别等。

HUSKYLENS 2 支持部署 YOLOv8n-cls 和 YOLO11n-cls 两种轻量级分类架构。下面就以 YOLO 物体分类模型为例，介绍如何训练并部署。

5.1 准备 YOLO 物体分类数据集

物体分类数据集比目标检测数据集更简单，它不需要框选标注。只需将不同类别的图片分别放入对应文件夹，文件夹名称即为类别名称，模型会据此学习各个类别。

一个标准的 YOLO 物体分类数据集，文件夹结构如下：

dataset_dir
├── train
│   ├── class_1
│   │   ├── image_001.jpg
│   │   └── ...
│   └── class_2
│       ├── image_002.jpg
│       └── ...
└── val                       # 建议保留；用于训练验证，转换时不会读取
    └── ...

在这个结构里，每个文件夹的作用如下：

• train：存放训练用的图片。
• class_1 / class_2：类别文件夹，文件夹名就是类别名，里面存放对应类别的图片。
• val：存放验证图片，结构与 train 相同。模型安装包生成器不会读取该目录，但训练时建议保留验证集，用于评估模型效果。

注意：分类数据集不需要 data.yaml 配置文件，也不需要像目标检测数据集那样准备标签文件。训练时，直接将 data 指向包含 train 文件夹的数据集根目录即可。

这里提供了一个猫狗分类数据集（Cat and Dog Classification Dataset），可直接用于物体分类模型训练：数据集和模型示例。

关于 YOLO 物体分类数据集更详细的格式说明，建议阅读 Ultralytics 官方教程：Image Classification Datasets。

5.2 训练物体分类模型

数据集准备好之后，就可以开始训练模型了。物体分类模型的训练同样使用 Ultralytics 库，如果你还不熟悉，可以先参考 Ultralytics 官方入门教程：快速入门。

请特别注意以下两点：

1. HUSKYLENS 2 仅支持架构为 YOLOv8n-cls 和 YOLO11n-cls 的自训练分类模型，其他架构都不支持，训练时请只在这两类里选择。
2. HUSKYLENS 2 仅支持 224 × 224、320 × 320 和 640 × 640 这三种输入尺寸。

下面给出完整的训练代码示例，只需将其中的路径替换为实际路径：

from ultralytics import YOLO

if __name__ == "__main__":
    # 加载预训练分类模型
    # HUSKYLENS 2 仅支持 "yolov8n-cls.pt" 和 "yolo11n-cls.pt" 两种，请勿使用其他型号
    model = YOLO("yolov8n-cls.pt")   # 也可以换成 "yolo11n-cls.pt"

    # 训练模型
    # data  : 数据集根目录（包含 train 的那个文件夹），分类任务直接指向文件夹，不是 yaml 文件
    # epochs: 训练轮数，可先从 30 开始；轮数过少可能训练不足，过多也可能导致过拟合
    # imgsz : 输入图片尺寸，HUSKYLENS 2 仅支持 224 / 320 / 640
    results = model.train(
        data="path/to/Cat and Dog Classification Dataset",   # 例如 r"D:\...\Cat and Dog Classification Dataset"
        epochs=30,
        imgsz=640,
    )

训练完成后，Ultralytics 默认会在 runs/classify/train/weights/ 目录下生成模型权重文件，其中 best.pt 是效果最好的模型。如果已有同名训练目录，系统可能会自动生成 train2、train3 等带编号的目录。

5.3 导出物体分类 ONNX 模型

训练得到的是 .pt 格式的模型文件，而 HUSKYLENS 2 的模型安装需要 ONNX 格式的模型。因此还需要把 .pt 转换成 .onnx。转换代码如下：

from ultralytics import YOLO

if __name__ == "__main__":
    # 加载训练好的分类模型权重（请替换成你的 best.pt 实际路径）
    model = YOLO("path/to/best.pt")   # 例如 r"D:\...\runs\classify\train\weights\best.pt"

    # 导出为 ONNX 格式，导出后会在同目录下生成 best.onnx
    # imgsz 需与训练时的输入尺寸保持一致（224 / 320 / 640）
    model.export(format="onnx", imgsz=640)

执行成功后，best.pt 所在目录中会生成 best.onnx 文件，后续生成安装包时将使用该文件。

你可以使用数据集和模型示例，参考上方代码训练猫狗分类模型。下载的样例文件中还包含已经训练并导出的 ONNX 模型。

关于训练和导出教程，请参考 Ultralytics 官方分类任务教程：Image Classification。

5.4 生成物体分类模型安装包

训练并导出 ONNX 模型后，同样需要将其打包为 HUSKYLENS 2 能够识别的 ZIP 安装包。这里使用的仍是第 3 节介绍的 HUSKYLENS 2 模型安装包生成器。

5.4.1 准备 HUSKYLENS 2 模型安装包生成器

如果尚未安装 .NET 7.0 或下载模型安装包生成器，请先按照第 3 节“软件与硬件准备”完成操作。

5.4.2 生成 HUSKYLENS 2 物体分类模型安装包

完成第 3 节的软件与硬件准备后，双击运行 HUSKYLENS2_Package_Generator.exe。工具界面如下。

HUSKYLENS2_Package_Generator 的各功能区域及操作步骤如下。

下面以猫狗分类为例，演示生成物体分类模型安装包的完整流程。如果你想跟随示例操作，请下载数据集和模型示例。

开始之前，请先在工具顶部完成以下三项基础设置：

1. 选择界面语言：切换到你习惯的语言（支持 English、简体中文、繁體中文等八种语言）。
2. 选择输出目录：选择安装包的保存位置，生成的 ZIP 安装包将保存到该目录。
3. 选择数据来源：保持默认的 YOLO 即可。

步骤一：选择数据集文件夹

点击 数据集文件夹，选择并加载分类数据集文件夹。使用样例数据集时，请选择 sample_datasets/Classification/Cat and Dog Classification Dataset 文件夹。

步骤二：选择 ONNX 模型

点击 ONNX 模型，选择并加载使用该数据集训练并导出的分类 ONNX 模型文件。使用样例模型时，请选择 sample_datasets/Classification/cat_and_dog-cls.onnx。

步骤三：确认模型参数信息

加载模型后，工具会自动检测并显示相关参数。请检查参数是否正确，并确认其与训练时的设置一致。对于分类任务，请确认“任务类型”显示为“分类”。

步骤四：完成模型应用在 HUSKYLENS 2 中的相关设置

• 在 应用名称 中设置模型部署到 HUSKYLENS 2 后显示的应用名称，例如 猫狗物体分类。

• 手动换行：输入框输入应用名称时，按 Enter 会插入\n换行符。

• 自动换行：英文每行最多 12 个字母，中文每行最多 6 个文字，超出部分会自动换行，最多显示两行。

• 点击 添加 可设置其他语言对应的应用名称；用户可添加八种语言中的其他语言名称；未单独填写的语言使用当前默认名称补齐；切换 HUSKYLENS 2 的系统语言时，应用名称也会相应切换。

工具会为模型应用分配默认图标。你也可以点击 选择图标，选择本地图片作为该应用在 HUSKYLENS 2 中显示的图标。

• 应用图标建议使用正方形、透明背景、白色线条的图片（与 HUSKYLENS 2 原生图标风格一致），也支持彩色图标；尺寸为 60 × 60 像素，选择其他尺寸的图片会被自动处理为 60 × 60。

你还可以设置模型在 HUSKYLENS 2 中的默认识别阈值。

步骤五：生成模型安装包

完成以上设置后，点击 开始 生成模型安装包。在生成完成前，请勿关闭工具。

物体分类模型安装包生成成功后，会出现以下提示。

生成的物体分类模型安装包可在所选输出目录中找到。安装包命名格式为“应用名-模型版本-任务类型-输入尺寸.校验码.zip”。分类任务的任务类型为 cls，例如 Cat_Dog-YOLO11n-cls-640.xxxx.zip。

• 请勿修改生成的 ZIP 安装包，包括包内文件和安装包文件名，否则 HUSKYLENS 2 将无法识别该安装包。

5.5 将物体分类模型安装到 HUSKYLENS 2

生成安装包后，即可将其安装到 HUSKYLENS 2。操作步骤与目标检测模型相同：

使用 USB 线将 HUSKYLENS 2 连接到电脑，电脑上会出现一个名为 HUSKYLENS 2 的 U 盘。

把生成的 ZIP 安装包复制到 U 盘中的以下路径：

Huskylens\storage\installation_package

在 HUSKYLENS 2 屏幕上打开“模型安装（Model Installation）”，然后选择“本地安装（Local Installation）”。

安装完成后，你就可以在功能列表中找到自己训练的物体分类模型了。

点击模型图标即可观察该模型的分类效果。以下是猫狗分类模型的分类效果。

测试图片如下。

如需删除模型，请在屏幕上找到已部署的自训练模型，长按应用图标，然后按照屏幕提示确认删除。

6. 实例分割模型安装

实例分割（Instance Segmentation）在目标检测的基础上更进一步：它不仅能识别画面中的每个物体并框出位置，还能通过蒙版精确描绘物体轮廓。

例如，画面中有几朵花时，目标检测会用方框标出花的位置；实例分割则会沿每朵花的边缘生成彩色蒙版，并标注类别和置信度。你可以把它理解为“既标出位置，也描绘形状”。

实例分割模型的特点可以概括为：

• 每个目标都包含：位置框 + 精确轮廓（蒙版）+ 类别名称 + 置信度。
• 能精确描绘物体的形状，信息比目标检测更丰富。
• 适合“需要知道物体精确形状、轮廓”的场景，例如花朵分割、零件轮廓检测等。

HUSKYLENS 2 支持部署 YOLOv8n-seg 和 YOLO11n-seg 两种轻量级分割架构。下面就以 YOLO 实例分割模型为例，介绍如何训练并部署。

6.1 准备 YOLO 实例分割数据集

实例分割数据集的结构与目标检测数据集基本相同，同样由“图片 + 标签 + data.yaml”组成。区别在于：标签文件记录的是物体轮廓的多边形顶点坐标，而不是边界框。

一个标准的 YOLO 实例分割数据集，文件夹结构如下：

dataset_dir
├── data.yaml
├── images
│   ├── train
│   │   ├── image_001.jpg
│   │   └── ...
│   └── val                     # 建议保留；用于训练验证，转换时不会读取
│       └── ...
└── labels
    ├── train
    │   ├── image_001.txt
    │   └── ...
    └── val                     # 建议保留；用于训练验证，转换时不会读取
        └── ...

其中 data.yaml 的内容示例如下：

path: ./
train: ./images/train
val: ./images/val
names:
  0: flower

实例分割标签文件（.txt）与目标检测标签文件的内容不同：目标检测标签的每一行记录“类别 + 边界框中心坐标 + 宽高”（共 5 个数），实例分割标签的每一行则记录“类别 + 一组多边形顶点坐标”（class x1 y1 x2 y2 ... xn yn，至少 3 个点），由这些顶点勾勒物体轮廓。

模型安装包生成器不会读取验证集，但训练时建议保留 images/val 和 labels/val，用于评估模型效果。

这里提供了一个花朵分割数据集（Flower Segmentation Dataset），可直接用于实例分割模型训练：数据集和模型示例。

关于 YOLO 实例分割数据集更详细的格式说明，建议阅读 Ultralytics 官方教程：实例分割数据集。

6.2 训练实例分割模型

数据集准备好之后，就可以开始训练模型了。实例分割模型的训练同样使用 Ultralytics 库，如果你还不熟悉，可以先参考 Ultralytics 官方入门教程：快速入门。

请特别注意以下两点：

1. HUSKYLENS 2 仅支持架构为 YOLOv8n-seg 和 YOLO11n-seg 的自训练分割模型，其他架构都不支持，训练时请只在这两类里选择。
2. HUSKYLENS 2 仅支持 224 × 224、320 × 320 和 640 × 640 这三种输入尺寸。训练时选择的输入尺寸，应与后面生成安装包时保持一致。

下面给出完整的训练代码示例，只需将其中的路径替换为实际路径：

from ultralytics import YOLO

if __name__ == "__main__":
    # 加载预训练分割模型
    # HUSKYLENS 2 仅支持 "yolov8n-seg.pt" 和 "yolo11n-seg.pt" 两种，请勿使用其他型号
    model = YOLO("yolov8n-seg.pt")   # 也可以换成 "yolo11n-seg.pt"

    # 训练模型
    # data  : 数据集配置文件 data.yaml 的路径，请替换成实际路径
    # epochs: 训练轮数，可先从 30 开始；轮数过少可能训练不足，过多也可能导致过拟合
    # imgsz : 输入图片尺寸，HUSKYLENS 2 仅支持 224 / 320 / 640
    results = model.train(
        data="path/to/data.yaml",   # 例如 r"D:\...\Flower Segmentation Dataset\data.yaml"
        epochs=30,
        imgsz=640,
    )

训练完成后，Ultralytics 默认会在 runs/segment/train/weights/ 目录下生成模型权重文件，其中 best.pt 是效果最好的模型。如果已有同名训练目录，系统可能会自动生成 train2、train3 等带编号的目录。

6.3 导出实例分割 ONNX 模型

训练得到的是 .pt 格式的模型文件，而 HUSKYLENS 2 的模型安装需要 ONNX 格式的模型。因此还需要把 .pt 转换成 .onnx。转换代码如下：

from ultralytics import YOLO

if __name__ == "__main__":
    # 加载训练好的分割模型权重（请替换成你的 best.pt 实际路径）
    model = YOLO("path/to/best.pt")   # 例如 r"D:\...\runs\segment\train\weights\best.pt"

    # 导出为 ONNX 格式，导出后会在同目录下生成 best.onnx
    # imgsz 需与训练时的输入尺寸保持一致（224 / 320 / 640）
    model.export(format="onnx", imgsz=640)

执行成功后，best.pt 所在目录中会生成 best.onnx 文件，后续生成安装包时将使用该文件。

你可以使用数据集和模型示例，参考上方代码训练花朵分割模型。下载的样例文件中还包含已经训练并导出的 ONNX 模型。

关于训练和导出教程，请参考 Ultralytics 官方分割任务教程：Instance Segmentation。

6.4 生成实例分割模型安装包

训练并导出 ONNX 模型后，同样需要将其打包为 HUSKYLENS 2 能够识别的 ZIP 安装包。这里使用的仍是第 3 节介绍的 HUSKYLENS 2 模型安装包生成器。

6.4.1 准备 HUSKYLENS 2 模型安装包生成器

如果尚未安装 .NET 7.0 或下载模型安装包生成器，请先按照第 3 节“软件与硬件准备”完成操作。

6.4.2 生成 HUSKYLENS 2 实例分割模型安装包

完成第 3 节的软件与硬件准备后，双击运行 HUSKYLENS2_Package_Generator.exe。工具界面如下。

HUSKYLENS2_Package_Generator 的各功能区域及操作步骤如下。

下面以花朵分割为例，演示生成实例分割模型安装包的完整流程。如果你想跟随示例操作，请下载数据集和模型示例。

开始之前，请先在工具顶部完成以下三项基础设置：

1. 选择界面语言：切换到你习惯的语言（支持 English、简体中文、繁體中文等八种语言）。
2. 选择输出目录：选择安装包的保存位置，生成的 ZIP 安装包将保存到该目录。
3. 选择数据来源：保持默认的 YOLO 即可。

步骤一：选择数据集文件夹

点击 数据集文件夹，选择并加载包含 data.yaml 的分割数据集文件夹。使用样例数据集时，请选择 sample_datasets/Instance Segmentation/Flower Segmentation Dataset 文件夹。

步骤二：选择 ONNX 模型

点击 ONNX 模型，选择并加载使用该数据集训练并导出的分割 ONNX 模型文件。使用样例模型时，请选择 sample_datasets/Instance Segmentation/flower-seg.onnx。

步骤三：确认模型参数信息

加载模型后，工具会自动检测并显示相关参数。请检查参数是否正确，并确认其与训练时的设置一致。对于分割任务，请确认“任务类型”显示为“分割”。

步骤四：完成模型应用在 HUSKYLENS 2 中的相关设置

• 在 应用名称 中设置模型部署到 HUSKYLENS 2 后显示的应用名称，例如 花朵实例分割。

• 手动换行：输入框输入应用名称时，按 Enter 会插入\n换行符。

• 自动换行：每行最多显示 12 个半角字符或 6 个全角字符，超出部分会自动换行，最多显示两行。

• 点击 添加 可设置其他语言对应的应用名称；用户可添加八种语言中的其他语言名称；未单独填写的语言使用当前默认名称补齐；切换 HUSKYLENS 2 的系统语言时，应用名称也会相应切换。

工具会为模型应用分配默认图标。你也可以点击 选择图标，选择本地图片作为该应用在 HUSKYLENS 2 中显示的图标。

• 应用图标建议使用正方形、透明背景、白色线条的图片（与 HUSKYLENS 2 原生图标风格一致），也支持彩色图标；尺寸为 60 × 60 像素，选择其他尺寸的图片会被自动处理为 60 × 60。

你还可以设置模型在 HUSKYLENS 2 中的默认识别阈值。

步骤五：生成模型安装包

完成以上设置后，点击 开始 生成模型安装包。在生成完成前，请勿关闭工具。

实例分割模型安装包生成成功后，会出现以下提示。

生成的实例分割模型安装包可在所选输出目录中找到。安装包命名格式为“应用名-模型版本-任务类型-输入尺寸.校验码.zip”。分割任务的任务类型为 seg，例如 Flower-YOLO11n-seg-640.xxxx.zip。

• 请勿修改生成的 ZIP 安装包，包括包内文件和安装包文件名，否则 HUSKYLENS 2 将无法识别该安装包。

6.5 将实例分割模型安装到 HUSKYLENS 2

生成安装包后，即可将其安装到 HUSKYLENS 2。操作步骤与目标检测、物体分类模型相同：

使用 USB 线将 HUSKYLENS 2 连接到电脑，电脑上会出现一个名为 HUSKYLENS 2 的 U 盘。

把生成的 ZIP 安装包复制到 U 盘中的以下路径：

Huskylens\storage\installation_package

在 HUSKYLENS 2 屏幕上打开“模型安装（Model Installation）”，然后选择“本地安装（Local Installation）”。

安装完成后，你就可以在功能列表中找到自己训练的实例分割模型了。

点击模型图标即可观察该模型的识别效果。以下是花朵分割模型的分割效果。

测试图片如下。

如需删除模型，请在屏幕上找到已部署的自训练模型，长按应用图标，然后按照屏幕提示确认删除。