YOLO26开源镜像使用手册：从激活环境到模型导出

YOLO26开源镜像使用手册：从激活环境到模型导出

这是一份面向实际工程落地的实操指南。不讲抽象原理，不堆技术参数，只说你打开镜像后第一步该敲什么命令、第二步该改哪行代码、第三步怎么把训练好的模型拿走用起来。无论你是刚接触目标检测的新手，还是想快速验证YOLO26能力的开发者，照着做就能跑通全流程。

1. 镜像到底装了啥？三句话说清

别被“开箱即用”四个字带偏——它不是点一下就自动训练完模型的魔法盒子，而是把所有容易卡住你的环节都提前铺平了路。我们先搞明白这个镜像里真正能用的东西：

• 核心运行环境已配好：Python 3.9.5 + PyTorch 1.10.0（CUDA 12.1加速）+ OpenCV等视觉库，不用再折腾版本冲突
• 代码和权重都放好了：基于Ultralytics官方8.4.2分支构建，预置yolo26n-pose.pt和yolo26n.pt两个常用权重，直接调用不报错
• 路径和权限已理顺：默认工作区在/root/workspace/，数据盘挂载就绪，复制、读写、保存全畅通

换句话说：你不需要懂conda怎么建环境、PyTorch怎么编译、CUDA驱动怎么匹配——这些事镜像已经替你做完。你只需要关心你想检测什么、用什么数据、结果要存哪儿。

2. 四步走通全流程：从启动到导出

整个过程分四步，每一步都对应一个明确动作、一行关键命令、一个可验证结果。跳过任何一步都可能卡在后续环节，所以请按顺序操作。

2.1 激活环境并切换到工作目录

镜像启动后，终端默认进入的是基础环境（torch25），但YOLO26依赖的包都在名为yolo的独立conda环境中。这一步必须做，否则运行会提示ModuleNotFoundError。

conda activate yolo

接着，把预装的代码从系统盘复制到数据盘（避免重启后丢失修改）：

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

最后进入代码目录，准备下一步操作：

cd /root/workspace/ultralytics-8.4.2

验证方式：执行ls能看到ultralytics/、detect.py、train.py等文件，说明路径已正确切换。

2.2 用一张图跑通推理流程

推理是验证环境是否正常最快速的方式。我们用镜像自带的示例图片zidane.jpg来测试。

先创建一个简单的detect.py文件（可直接复制粘贴）：

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

注意事项：

• model=后面填的是权重文件名，不是路径。镜像已把权重放在当前目录，直接写文件名即可
• source=可以是单张图片路径、视频文件、摄像头编号（如0）、或图片文件夹路径
• save=True表示把画好框的结果图自动保存到runs/detect/predict/目录下
• show=False表示不弹窗显示（服务器无图形界面，设为False才不会报错）

运行命令：

python detect.py

验证方式：几秒后查看runs/detect/predict/目录，应该能看到一张带检测框的新图片。终端也会输出类似Results saved to runs/detect/predict的提示。

2.3 训练自己的模型：改三处，跑一次

训练不是黑盒操作。YOLO26训练需要你明确告诉它三件事：用什么数据、怎么读数据、训练多久。对应修改三个地方即可。

第一步：准备数据集（YOLO格式）

你的数据集必须是标准YOLO格式：

• 图片放在images/文件夹
• 标签放在labels/文件夹（.txt文件，每行class_id center_x center_y width height，归一化坐标）
• 目录结构示例：

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

第二步：配置data.yaml

在my_dataset/data.yaml中写入以下内容（按你实际路径修改）：

train: ../my_dataset/images/train val: ../my_dataset/images/val nc: 2 # 类别数，比如人+车就是2 names: ['person', 'car'] # 类别名称，顺序必须和标签ID一致

小技巧：把整个my_dataset文件夹上传到/root/workspace/下，这样路径写起来更直观，不容易出错。

第三步：修改train.py

参考下面这个极简版训练脚本（删掉所有非必要参数，只留最关键的）：

from ultralytics import YOLO if __name__ == '__main__': model = YOLO('ultralytics/cfg/models/26/yolo26.yaml') # 模型结构定义 model.train( data='my_dataset/data.yaml', # 数据配置文件路径 epochs=50, # 训练轮数，新手建议先试10-20轮 imgsz=640, # 输入图像尺寸 batch=64, # 每批处理图片数（根据显存调整） project='runs/train', # 结果保存根目录 name='my_exp' # 实验名称，生成runs/train/my_exp/ )

运行命令：

python train.py

验证方式：终端会实时打印loss曲线和mAP指标；训练结束后，runs/train/my_exp/weights/best.pt就是你训练好的模型。

2.4 导出模型：三种格式，按需选择

训练完的best.pt是Ultralytics专用格式，不能直接部署到边缘设备或C++项目中。你需要把它转成通用格式。YOLO26支持一键导出，只需加一行代码：

from ultralytics import YOLO model = YOLO('runs/train/my_exp/weights/best.pt') model.export(format='onnx') # 导出ONNX（推荐，兼容性最好） # model.export(format='torchscript') # 导出TorchScript # model.export(format='engine') # 导出TensorRT引擎（需额外安装）

运行后会在同级目录生成best.onnx文件。

验证方式：检查文件大小是否大于10MB（太小说明导出失败），用Netron工具打开确认输入输出节点是否正常。

实用建议：

• ONNX适合部署到Windows/Linux服务器、安卓/iOS App、Web端（ONNX Runtime）
• 如果要做高吞吐推理（如视频流），再用TensorRT对ONNX二次优化
• 不建议直接用.pt文件上线，体积大、加载慢、兼容性差

3. 预置资源在哪？怎么找？

镜像不是空壳，它把你能想到的“第一次用就要找”的东西都放好了位置，省去翻文档时间：

快速定位技巧：在终端输入ls -l | grep yolo，一眼看到所有含yolo的文件和文件夹。

4. 常见问题直击：别再查文档，这里都有答案

这些问题不是“可能遇到”，而是90%用户在前30分钟一定会碰到的。我们按发生频率排序，给出最短解决方案。

4.1 “ModuleNotFoundError: No module named 'ultralytics'”

❌ 错误原因：没激活yolo环境，还在默认torch25环境里
解决方案：立即执行conda activate yolo，再运行脚本

4.2 “OSError: [Errno 121] Remote I/O error” 或训练卡住不动

❌ 错误原因：数据集路径写错，或者images/和labels/文件数量不一致
解决方案：

• 进入my_dataset/目录，执行ls images/train/ \| wc -l和ls labels/train/ \| wc -l，两个数字必须相等
• 检查data.yaml里的路径是否以../开头（因为训练脚本在ultralytics-8.4.2/目录下运行）

4.3 推理结果图没保存，或者保存的图是空白

❌ 错误原因：save=True写了，但没指定保存路径，或路径权限不足
解决方案：

• 在model.predict()里加上project='runs/detect'和name='my_result'，明确保存位置
• 确保runs/目录存在且可写：mkdir -p runs/detect

4.4 Xftp下载慢，或者传不上去

❌ 错误原因：大文件直接拖拽未压缩，网络传输效率低
解决方案：

• 上传前先打包：tar -czf my_dataset.tar.gz my_dataset/
• 下载时右键选择“下载”，不要双击（双击是打开，不是下载）
• 传输中右键任务 → “暂停/继续”可随时控制

5. 总结：你现在已经掌握的核心能力

这篇手册没教你YOLO26的网络结构有多深、损失函数怎么设计、注意力机制怎么加——那些是论文和源码的事。你现在真正拿到手的是可复现、可交付、可上线的工程能力：

• 环境零配置：conda activate yolo之后，所有依赖自动就位
• 推理秒启动：改一行source=路径，就能跑通任意图片/视频/摄像头
• 训练可掌控：改三处（数据路径、类别数、训练轮数），就能训出自己的模型
• 模型可导出：一行model.export()，ONNX/TorchScript/Engine任选，无缝对接生产环境

下一步你可以：
→ 把公司监控视频喂给它，自动统计人流量
→ 给产线相机拍的零件图加检测，替代人工质检
→ 把训练好的best.onnx集成进手机App，现场拍照识别

技术的价值不在“会不会”，而在“能不能马上用起来”。你现在，已经可以了。

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。