YOLO26实战教学：从零开始训练自定义数据集

你是否也想快速上手最新的YOLO26模型，用自己的数据集训练一个专属的目标检测器？但又被复杂的环境配置、依赖安装和代码调试劝退？

别担心。本文将带你使用最新YOLO26官方版训练与推理镜像，从零开始完成一次完整的自定义数据集训练全流程。无需手动装环境、不用查报错、不折腾CUDA版本，开箱即用，小白也能10分钟跑通第一个模型。

我们一步步来，手把手教你激活环境、准备数据、修改配置、启动训练，并最终下载属于你的模型文件。整个过程清晰明了，适合刚入门目标检测的开发者、学生或项目实践者。

---

1. 镜像环境说明

这个镜像不是普通封装，而是基于 YOLO26 官方代码库（ultralytics） 深度定制的完整开发环境。它预装了所有必要的依赖项，省去了繁琐的配置过程，真正做到“一键启动，马上训练”。

核心环境信息如下：

• 核心框架: pytorch == 1.10.0
• CUDA版本: 12.1
• Python版本: 3.9.5
• 主要依赖: torchvision==0.11.0, torchaudio==0.10.0, cudatoolkit=11.3, numpy, opencv-python, pandas, matplotlib, tqdm, seaborn 等常用科学计算与视觉处理库

这意味着你不需要再为版本冲突、驱动不兼容等问题头疼。只要镜像一启动，就能直接进入训练状态。

此外，镜像中还内置了常用的YOLO26系列权重文件（如 yolo26n.pt），放在根目录下，开箱即用，节省大量下载时间。

---

2. 快速上手

启动镜像后，你会看到类似下面的界面：

默认情况下，代码位于 /root/ultralytics-8.4.2 目录下。为了方便后续修改和持久化保存，建议先将其复制到工作区。

2.1 激活环境与切换工作目录

首先，激活名为 yolo 的 Conda 环境：

conda activate yolo

接着，将原始代码复制到数据盘的工作目录中，避免系统盘被清空导致代码丢失：

cp -r /root/ultralytics-8.4.2 /root/workspace/

然后进入新目录：

cd /root/workspace/ultralytics-8.4.2

现在你就可以自由编辑代码而不用担心数据丢失了。

2.2 模型推理

在正式训练前，先来测试一下模型的推理能力，看看它能不能正常识别图像中的目标。

打开 detect.py 文件，写入以下代码：

# -*- coding: utf-8 -*-
"""
@Auth ：落花不写码
@File ：detect.py
@IDE ：PyCharm
@Motto :学习新思想，争做新青年
"""

from ultralytics import YOLO

if __name__ == '__main__':

    # Load a model
    model = YOLO(model=r'yolo26n-pose.pt')
    model.predict(source=r'./ultralytics/assets/zidane.jpg',
                  save=True,
                  show=False,
                  )

参数说明：

• model参数：这里填的是模型权重路径。你可以选择不同的预训练模型，比如 yolo26n.pt、yolo26s.pt 等。
• source参数：指定输入源。可以是本地图片路径、视频文件，或者摄像头编号（如 0 表示调用摄像头）。
• save参数：设为 True 时，会自动保存推理结果到 runs/detect/predict/ 目录下。
• show参数：是否弹窗显示结果。服务器环境下通常设为 False。

运行命令：

python detect.py

执行完成后，终端会输出检测结果概览，包括类别、置信度等信息。生成的图片也会保存在指定路径中，供你查看效果。

推理结果会在终端打印出来，同时保存图像文件，方便后续分析。

2.3 模型训练

接下来就是重头戏——用自己的数据集训练模型。

准备数据集

你需要提前准备好符合 YOLO 格式的数据集。结构应如下：

dataset/
├── images/
│   ├── train/
│   └── val/
├── labels/
│   ├── train/
│   └── val/
└── data.yaml

其中每张图片对应一个 .txt 标注文件，格式为：class_id center_x center_y width height（归一化坐标）。

配置 data.yaml

上传数据集后，在项目根目录创建或修改 data.yaml 文件，内容示例如下：

train: ./dataset/images/train
val: ./dataset/images/val

nc: 80  # 类别数量
names: ['person', 'bicycle', 'car', ...]  # 类别名称列表

确保路径正确指向你的训练和验证集。

修改 train.py

接下来编写训练脚本。以下是推荐的 train.py 示例代码：

# -*- coding: utf-8 -*-
"""
@Auth ：落花不写码
@File ：train.py
@IDE ：PyCharm
@Motto :学习新思想，争做新青年
"""
import warnings
warnings.filterwarnings('ignore')
from ultralytics import YOLO

if __name__ == '__main__':
    # 加载模型结构
    model = YOLO(model='/root/workspace/ultralytics-8.4.2/ultralytics/cfg/models/26/yolo26.yaml')
    
    # 加载预训练权重（可选）
    model.load('yolo26n.pt')  # 初次训练可加载，若做消融实验建议不加载
    
    # 开始训练
    model.train(data=r'data.yaml',
                imgsz=640,           # 输入图像尺寸
                epochs=200,          # 训练轮数
                batch=128,           # 批次大小
                workers=8,           # 数据加载线程数
                device='0',          # 使用GPU 0
                optimizer='SGD',     # 优化器类型
                close_mosaic=10,     # 最后10轮关闭Mosaic增强
                resume=False,        # 不从中断处继续
                project='runs/train',
                name='exp',          # 实验名称
                single_cls=False,    # 是否单类别训练
                cache=False,         # 是否缓存数据到内存
                )

启动训练

保存文件后，在终端运行：

python train.py

训练日志会实时输出，包括损失值、mAP指标、学习率等关键信息。

训练过程中，最佳模型会自动保存在 runs/train/exp/weights/best.pt，最后一次的模型保存为 last.pt。

2.4 下载训练结果

训练结束后，你可以通过工具（如 Xftp）将模型文件下载到本地使用。

操作非常简单：

• 打开Xftp连接服务器
• 在右侧找到 runs/train/exp/weights/ 文件夹
• 将 best.pt 或 last.pt 文件双击下载，或拖拽到左侧本地目录

建议对大文件先压缩再传输，提升下载效率。上传数据集的操作也是同理，只需反向拖拽即可。

---

3. 已包含权重文件

为了避免用户反复下载耗时的预训练模型，该镜像已在根目录预置了多个常用权重文件：

• yolo26n.pt
• yolo26s.pt
• yolo26m.pt
• yolo26l.pt
• yolo26x.pt
• yolo26n-pose.pt（姿态估计专用）

这些文件可以直接在代码中通过相对路径调用，无需额外下载。

这大大提升了实验效率，尤其适合需要频繁对比不同骨干网络性能的场景。

---

4. 常见问题

尽管镜像已经高度集成，但在实际使用中仍可能遇到一些小问题。以下是高频疑问及解决方案：

• Q：为什么训练时报错找不到数据？
  A：请检查 data.yaml 中的路径是否正确，建议使用绝对路径或相对于当前工作目录的相对路径。

• Q：训练时GPU没被调用怎么办？
  A：确认已执行 conda activate yolo，并检查 device='0' 是否正确。可通过 nvidia-smi 查看GPU状态。

• Q：训练中断了能续训吗？
  A：可以！只需将 resume=True，并指定上次训练生成的 weights/last.pt 路径即可恢复训练。

• Q：batch size 设置多少合适？
  A：根据显存调整。如果出现OOM（内存溢出），尝试降低 batch 值，或启用 --autobatch 功能让系统自动调节。

• Q：如何评估模型效果？
  A：训练完成后，使用 val.py 脚本对验证集进行评估，查看 mAP@0.5 等核心指标。

---

5. 总结

通过这篇实战教程，你应该已经掌握了如何利用 YOLO26官方训练与推理镜像 快速完成以下任务：

1. 激活专用环境并复制代码到安全目录
2. 使用预训练模型进行图像推理测试
3. 配置自己的数据集并编写 data.yaml
4. 编写训练脚本并启动模型训练
5. 下载训练好的模型用于本地部署

整个流程简洁高效，特别适合希望快速验证想法、开展课程设计、参加竞赛或搭建原型系统的同学和开发者。

更重要的是，这套方法具有很强的可复用性。无论你是做目标检测、实例分割还是姿态估计，都可以在此基础上快速迁移适配。

下一步，你可以尝试：

• 调整超参数优化模型表现
• 使用更大的模型（如 yolo26l）提升精度
• 添加自定义数据增强策略
• 将模型导出为 ONNX 或 TensorRT 格式用于生产环境

技术的进步从来不是一蹴而就，但每一次动手实践，都是离专家更近一步。

---

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。