YOLO26 predict参数不会设？source/save详解教程

YOLO26 predict参数不会设？source/save详解教程

你是不是也遇到过这样的情况：刚拿到YOLO26官方镜像，打开detect.py准备跑推理，结果卡在model.predict()这一行——source到底填什么？save=True和save=False差别有多大？show开了却没窗口弹出来？别急，这篇教程不讲原理、不堆参数、不画架构图，就用最直白的话，带你把predict里最关键的四个参数彻底搞明白。

我们用的是最新发布的YOLO26官方训练与推理镜像，它不是魔改版，不是精简版，而是直接基于YOLO26官方代码库构建的完整环境。所有依赖都已预装，CUDA、PyTorch、OpenCV全配齐，连权重文件都提前下好了，你唯一要做的，就是把代码跑起来、把参数设对、把结果存下来。

1. 镜像环境说明

这个镜像不是“能用就行”的凑合版本，而是为工程落地专门打磨过的稳定组合。所有组件版本经过实测兼容，避免了你自己装环境时常见的“pip install完报错、conda update后崩掉”这类无效时间消耗。

• 核心框架:pytorch == 1.10.0（专为YOLO26优化的稳定版本，比新版更少出奇奇怪怪的tensor shape错误）
• CUDA版本:12.1（匹配主流A10/A100显卡，启动快、显存占用稳）
• Python版本:3.9.5（兼顾新语法支持与旧库兼容性，不会因为一个:=海象运算符就让yaml加载失败）
• 关键依赖:torchvision==0.11.0,opencv-python,numpy,tqdm,pandas等一应俱全，连绘图用的matplotlib和统计用的seaborn都给你备好了——你不需要为画个PR曲线再折腾环境。

这个环境配置不是随便选的。比如cudatoolkit=11.3看似和CUDA 12.1不一致，其实是PyTorch官方编译时绑定的运行时版本，强行升级反而会导致CUDA error: no kernel image is available。我们踩过坑，才敢说“开箱即用”。

2. 快速上手：从激活环境到第一张检测图

镜像启动后，界面看起来干干净净，但其实后台已经默默准备好了所有东西。接下来这几步，每一步都有明确目的，不是为了走流程，而是为了让你真正掌控整个过程。

2.1 激活环境与切换工作目录

镜像默认进入的是基础conda环境（比如torch25），但YOLO26需要的是独立隔离的yolo环境。这一步不能跳：

conda activate yolo

为什么必须激活？因为ultralytics包只装在yolo环境里。不激活就直接跑python detect.py，你会看到熟悉的ModuleNotFoundError: No module named 'ultralytics'——不是代码错了，是环境没切对。

接着，把代码从系统盘复制到数据盘：

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

这步很多人忽略，但它决定了你后续能不能顺利修改代码。系统盘是只读挂载的，直接在/root/ultralytics-8.4.2里改detect.py，保存会失败；而/root/workspace/是可写数据盘，改完立刻生效。

最后进入工作目录：

cd /root/workspace/ultralytics-8.4.2

到这里，你的操作台就绪了：环境对了、路径对了、权限也对了。

2.2 模型推理：predict四大参数逐个击破

现在看最关键的detect.py：

from ultralytics import YOLO if __name__ == '__main__': model = YOLO(model=r'yolo26n-pose.pt') model.predict(source=r'./ultralytics/assets/zidane.jpg', save=True, show=False)

别被model.predict()这个函数名吓住，它就像一个智能快递柜——你只需要告诉它“收件人是谁（model）”、“寄什么（source）”、“要不要留底单（save）”、“要不要当面签收（show）”。下面拆开讲透：

2.2.1 model参数：不是路径，是“身份凭证”

model=r'yolo26n-pose.pt'这行里的.pt文件，不是普通模型文件，而是YOLO26的“能力身份证”。它里面不仅有网络权重，还自带模型结构定义（.yaml已内嵌）。所以你不用额外指定配置文件，也不用担心model.yaml和.pt不匹配。

正确用法：

• model='yolo26n-pose.pt'（镜像里已预置，直接用）
• model='runs/train/exp/weights/best.pt'（你自己训练完的模型）

❌ 常见错误：

• model='yolo26.yaml'（只有结构没有权重，会报KeyError: 'model'）
• model='/wrong/path/model.pt'（路径错，报FileNotFoundError，但错误信息很隐晦，容易误判为代码问题）

2.2.2 source参数：输入源，远比你想的灵活

source=r'./ultralytics/assets/zidane.jpg'是最常被低估的参数。它不只接受图片路径，而是YOLO26的“万能输入口”，支持五种形态：

注意：如果source是文件夹或视频，save=True时结果会自动按原文件名生成对应子文件夹或同名视频；如果是摄像头，save=True会持续录制带框的视频流（文件名带时间戳）。

2.2.3 save参数：存还是不存？这是个实际问题

save=True看似简单，但它决定的是“结果是否留下证据”。默认值是False，也就是说——YOLO26默认不保存任何结果，只在终端打印坐标和置信度。

这意味着：

• 如果你没设save=True，跑完detect.py，屏幕一闪而过一堆数字，然后啥也没留下；
• 如果你设了save=True，结果会自动存到runs/detect/predict/（首次运行）或runs/detect/predict2/（第二次）等递增命名的文件夹里；
• 存储内容包括：带检测框的图片/视频、labels/文件夹里的txt标注文件（YOLO格式）、results.csv汇总表。

实用技巧：想批量处理100张图并保留所有结果？只要source='batch_test/'+save=True，30秒搞定，不用写循环。

2.2.4 show参数：显示≠弹窗，别被名字骗了

show=False的真实含义是：“不调用OpenCV的cv2.imshow()弹窗”。它和save完全独立——你可以show=True且save=False（只看不存），也可以show=False且save=True（只存不看），甚至show=False且save=False（纯后台计算，适合服务器无GUI环境）。

但要注意：show=True在无桌面环境（如纯命令行服务器）下会直接报错：

cv2.error: OpenCV(4.5.5) ... : error: (-215:Assertion failed)

所以生产环境务必设show=False，开发调试时再打开。

安全写法：

import os show_flag = True if os.environ.get('DISPLAY') else False model.predict(source='zidane.jpg', save=True, show=show_flag)

2.2.5 补充：其他高频实用参数

虽然标题聚焦source/save，但这两个参数常和另外三个“黄金搭档”一起出现：

• conf=0.25：置信度阈值。设太低（如0.1）满屏小框；设太高（如0.7）可能漏检。日常用0.25~0.4之间平衡。
• iou=0.7：NMS交并比阈值。值越小，重叠框剔除越狠，适合密集小目标（如蚂蚁、芝麻粒）。
• device='0'：指定GPU编号。多卡服务器必须显式指定，否则可能默认用CPU（慢10倍以上）。

3. 模型训练：data.yaml和train.py怎么配才不翻车

推理搞明白了，训练才是重头戏。YOLO26训练不难，但有三个地方最容易栽跟头：数据路径、配置文件、权重加载。

3.1 data.yaml：路径写错，训练直接“找不到家”

YOLO26要求数据集必须是标准YOLO格式：

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

data.yaml内容必须严格对应：

train: ../dataset/images/train val: ../dataset/images/val nc: 3 names: ['person', 'car', 'dog']

关键细节：

• 路径是相对路径，以data.yaml所在位置为起点；
• train和val指向images文件夹，不是labels；
• nc（number of classes）必须和names列表长度一致，否则训练中途报错IndexError: index out of range。

3.2 train.py：预训练权重加载的两种姿势

你看到的代码里有这行：

model.load('yolo26n.pt')

这不是必须的，而是“选择题”：

• 做迁移学习（比如你数据少，想借官方权重加速收敛）→ 保留这行；
• ❌做消融实验或从头训（比如验证某个模块改进效果）→ 注释掉这行，让YOLO26自动初始化权重。

另外注意：model.train()里的project和name共同决定输出路径。project='runs/train'+name='exp'→ 结果存到runs/train/exp/。下次再训，改成name='exp_v2'，就不会覆盖上次结果。

4. 权重文件与下载：镜像里已备好，用前先确认

镜像启动后，进/root/workspace/ultralytics-8.4.2/目录，你会看到这些预置权重：

• yolo26n.pt：轻量级通用检测模型（适合边缘设备）
• yolo26n-pose.pt：带姿态估计的版本（识别人体关键点）
• yolo26s.pt：速度与精度平衡版
• yolo26m.pt：中等规模，适合大多数业务场景

它们不是链接，是真实文件，大小从15MB到120MB不等。使用前建议先校验MD5：

md5sum yolo26n-pose.pt # 应该返回：a1b2c3d4e5f6...（官方发布页可查）

训练完的模型默认存在runs/train/exp/weights/best.pt，下载时推荐用Xftp：

• 右侧远程服务器 → 左侧本地电脑：拖拽即下载；
• 文件双击：单文件快速传输；
• 大文件（如完整runs/文件夹）先压缩成.zip再传，节省70%以上时间。

5. 常见问题直击：那些没人明说但你一定遇到的坑

• Q：source=0没画面，终端卡住不动？
  A：检查摄像头是否被其他程序占用（如Zoom、Teams），执行lsof /dev/video0查看。或者换source=1试试第二个摄像头。

• Q：save=True但runs/detect/里啥都没有？
  A：先确认source路径是否真实存在（ls ./ultralytics/assets/看看有没有zidane.jpg）；再检查磁盘空间（df -h），/root分区满会导致静默失败。

• Q：训练时提示CUDA out of memory？
  A：不是显存真不够，而是batch=128太大。改成batch=64或32，配合workers=4，基本能跑通A10。

• Q：model.predict()报错AttributeError: 'NoneType' object has no attribute 'shape'？
  A：source路径错导致图片读取失败，返回None。加一行调试：

  import cv2 img = cv2.imread('zidane.jpg') print("Image loaded:", img is not None) # 必须打印True

6. 总结：predict参数的本质，是控制“输入-处理-输出”三环节

回看开头那个让人纠结的model.predict()，它从来就不是黑盒。source是入口，决定喂给模型什么；save是出口，决定结果是否留存；show是观察窗，决定是否实时反馈；model是处理器，决定用什么能力干活。

你不需要记住所有参数，只要抓住这四点：

• source填对路径或设备号，就能喂进去；
• save=True，结果就落盘，不怕丢失；
• show按需开关，开发开、生产关；
• model用镜像预置的.pt，省心又可靠。

YOLO26不是越复杂越好，而是越简单越能落地。当你不再纠结“参数怎么设”，而是专注“我要解决什么问题”，才算真正入门。

--- > **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](https://ai.csdn.net/?utm_source=mirror_blog_end)，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。