YOLO26训练如何resume？断点续训部署教程

YOLO26训练如何resume？断点续训部署教程

最新 YOLO26 官方版训练与推理镜像
本镜像基于YOLO26 官方代码库构建，预装了完整的深度学习开发环境，集成了训练、推理及评估所需的所有依赖，开箱即用。

1. 镜像环境说明

• 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。

该环境专为YOLO26系列模型的训练和推理优化设计，确保在主流GPU设备上稳定运行。所有依赖均已预先配置完成，避免了常见的版本冲突问题，用户可直接进入开发阶段。

2. 快速上手

启动完是这样的

2.1 激活环境与切换工作目录

在使用前，请先激活 Conda 环境，命令如下：

conda activate yolo

镜像启动后，默认代码存放在系统盘。为了方便修改和持久化保存，请将代码复制到数据盘：

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

进入新目录开始操作：

cd /root/workspace/ultralytics-8.4.2

2.2 模型推理

YOLO26支持多种任务类型（检测、分割、姿态估计等），以下以姿态估计为例进行演示。

编辑detect.py文件：

# -*- 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__': # 加载模型 model = YOLO(model=r'yolo26n-pose.pt') # 执行推理 model.predict( source=r'./ultralytics/assets/zidane.jpg', save=True, show=False )

参数说明：

• model：指定模型权重路径，可以是.pt或.yaml文件
• source：输入源，支持图片、视频路径或摄像头编号（如0）
• save：是否保存结果，默认False，建议设为True
• show：是否实时显示窗口，默认True，服务器环境下建议关闭

运行推理：

python detect.py

推理结果会自动保存在runs/detect/predict/目录下，终端也会输出检测信息。

2.3 模型训练

要训练自定义数据集，需准备 YOLO 格式的数据，并修改data.yaml配置文件。

上传数据集后，编辑data.yaml：

train: /root/workspace/dataset/images/train val: /root/workspace/dataset/images/val nc: 80 names: ['person', 'bicycle', 'car', ...]

data.yaml 参数解析如图所示：

接下来配置train.py：

# -*- 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__': # 从配置文件构建模型结构 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') # 注意：部分场景下加载预训练权重提升有限 # 开始训练 model.train( data=r'data.yaml', imgsz=640, epochs=200, batch=128, workers=8, device='0', optimizer='SGD', close_mosaic=10, resume=False, # 关键参数：是否断点续训 project='runs/train', name='exp', single_cls=False, cache=False, )

执行训练命令：

python train.py

训练过程中会实时输出损失值、mAP等指标，并自动保存最佳模型和最后检查点。

2.4 下载训练结果

训练完成后，模型文件默认保存在runs/train/exp/weights/目录下。

可通过 Xftp 等工具下载：

• 将右侧远程服务器文件拖拽至左侧本地目录
• 单个文件可双击直接下载
• 大文件建议先压缩再传输，节省时间

双击传输任务可查看进度：

3. 如何实现断点续训（Resume Training）

当训练因意外中断（如断电、手动停止）时，可以通过resume功能继续训练，无需从头开始。

3.1 断点续训原理

YOLO26 在每次训练时会自动保存两个关键文件：

• last.pt：最新一轮的模型权重
• opt.yaml：训练超参数记录

这些文件位于runs/train/exp/weights/和同级目录中，用于恢复训练状态。

3.2 启用 Resume 的正确方式

只需将train.py中的resume参数改为True，并指向上次中断的权重文件路径：

model.train( ... resume=True, # 启用断点续训 # 注意：启用 resume 后，其他参数（如 epochs, batch）会被自动读取，无需重复设置 )

或者直接通过命令行调用：

yolo train resume model=runs/train/exp/weights/last.pt

3.3 实际操作步骤

1. 确保原始训练目录未被删除
2. 检查runs/train/exp/weights/last.pt是否存在
3. 修改代码或使用 CLI 命令启用resume
4. 重新运行训练脚本

系统会自动：

• 恢复模型权重
• 继承原训练的超参数
• 从上次结束的 epoch 继续训练
• 使用相同的日志和保存路径

注意事项：

• 不要手动更改epochs、batch等参数，否则可能导致行为异常
• 若想调整学习率等参数，应在opt.yaml中修改后再 resume
• 多卡训练中断后 resume，需保证 GPU 数量一致

3.4 验证 Resume 是否成功

成功 resume 后，终端会输出类似信息：

Resuming training from runs/train/exp/weights/last.pt Loading model and optimizer state... Starting at epoch 87 / 200

这表明训练已从第 87 轮继续，而非从 0 开始。

4. 已包含权重文件

镜像内已预下载常用权重文件，放置在代码根目录下，便于快速测试与迁移学习。

包含但不限于：

• yolo26n.pt：轻量级检测模型
• yolo26s.pt：标准尺寸
• yolo26m.pt：中等规模
• yolo26l.pt：大型模型
• yolo26x.pt：超大容量
• yolo26n-seg.pt：实例分割版本
• yolo26n-pose.pt：姿态估计专用

这些模型均可直接用于推理或作为预训练权重加载。

5. 常见问题与解决方案

5.1 数据集路径错误

现象：提示No labels found或Dataset not found

解决方法：

• 检查data.yaml中路径是否为绝对路径或相对于项目根目录的相对路径
• 确认图像与标签文件一一对应
• 标签格式应为.txt，每行格式：class_id center_x center_y width height

5.2 显存不足（CUDA Out of Memory）

现象：训练启动时报错CUDA out of memory

解决方法：

• 减小batch大小（如从 128 改为 64 或 32）
• 降低imgsz（如从 640 改为 320）
• 设置cache=False禁用缓存
• 使用梯度累积：添加amp=True和适当调整accumulate参数

5.3 Resume 失败或从头开始

现象：设置了resume=True但仍然从 epoch 0 开始

原因分析：

• last.pt文件丢失或损坏
• 训练目录被移动或重命名
• 手动修改了epochs导致逻辑判断失败

解决方案：

• 确保runs/train/exp/目录完整
• 使用 CLI 方式调用更可靠：yolo train resume model=xxx.pt
• 避免手动干预训练过程中的配置文件

5.4 环境激活失败

现象：运行conda activate yolo报错

解决方法：

• 先运行source ~/.bashrc初始化 conda
• 检查是否存在该环境：conda env list
• 如缺失，可用conda create -n yolo python=3.9重建

6. 总结

6.1 核心要点回顾

本文详细介绍了基于官方 YOLO26 镜像的完整训练与推理流程，重点解决了“如何 resume”这一高频需求。关键点包括：

• 镜像开箱即用，省去复杂环境配置
• 推理脚本简单易改，支持多任务类型
• 训练流程标准化，只需修改data.yaml和train.py
• 断点续训功能强大：通过resume=True或 CLI 命令即可恢复训练
• 权重文件预置齐全，支持快速迁移学习

6.2 实践建议

• 定期备份：即使有 resume 功能，也建议定期将runs/train/exp打包下载
• 合理命名：不同实验使用不同name参数，避免覆盖
• 监控资源：注意显存占用，避免 OOM 导致中断
• 善用 last.pt：它是 resume 的核心，切勿删除

6.3 下一步行动

现在你已经掌握了 YOLO26 的基本使用和断点续训技巧，下一步可以尝试：

• 在自己的数据集上微调模型
• 调整超参数提升性能
• 使用更大模型（如 yolo26x）进行高精度检测
• 部署模型到边缘设备进行实时推理

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。