Map提升4.89%！YOLOv13融合RepVGG-OREPA与SE注意力的多分支设计
2026/1/17 9:52:02
从零开始学YOLO26：用官方镜像轻松实现目标检测
1. 引言：为什么选择YOLO26与官方镜像
近年来，目标检测技术在工业质检、智能安防、自动驾驶等领域广泛应用。作为YOLO系列的最新成员，YOLO26在精度、速度和部署效率上实现了显著提升。根据官方发布的数据，YOLO26在COCO数据集上的mAP（平均精度）达到新高，同时推理速度相比前代模型最高提升43%，尤其在CPU设备上的表现尤为突出。
然而，搭建一个稳定可用的深度学习环境往往耗时费力，依赖冲突、版本不兼容等问题频发。为此，最新 YOLO26 官方版训练与推理镜像应运而生。该镜像基于ultralytics/ultralytics代码库构建，预装了PyTorch 1.10.0、CUDA 12.1、Python 3.9.5等核心组件，并集成OpenCV、NumPy、Pandas等常用库，真正做到“开箱即用”。
本文将带你从零开始，使用该官方镜像完成环境配置、模型推理、自定义数据集训练及结果下载全流程，帮助你快速上手YOLO26。
2. 镜像环境说明与快速启动
2.1 镜像核心配置
本镜像已预配置好以下运行环境：
- 核心框架：
pytorch == 1.10.0 - CUDA版本：
12.1 - Python版本：
3.9.5 - 主要依赖包：
torchvision==0.11.0torchaudio==0.10.0cudatoolkit=11.3opencv-python,numpy,pandas,matplotlib,tqdm,seaborn
所有代码位于/root/ultralytics-8.4.2目录下，包含完整的Ultralytics项目结构。
2.2 启动镜像并进入工作环境
启动镜像后，首先激活专用Conda环境：
conda activate yolo⚠️ 注意：镜像默认进入
torch25环境，请务必切换至yolo环境以确保依赖正确加载。
为避免系统盘空间不足，建议将代码复制到数据盘进行操作：
cp -r /root/ultralytics-8.4.2 /root/workspace/ cd /root/workspace/ultralytics-8.4.2此时即可开始模型推理或训练任务。
3. 模型推理：快速体验YOLO26能力
3.1 推理脚本编写
创建detect.py文件，内容如下：
from ultralytics import YOLO if __name__ == '__main__': # 加载预训练模型 model = YOLO(model='yolo26n-pose.pt') # 执行推理 model.predict( source='./ultralytics/assets/zidane.jpg', # 输入源：图片/视频路径或摄像头ID save=True, # 保存结果图像 show=False # 不显示窗口 )3.2 参数详解
| 参数 | 说明 |
|---|---|
model | 模型权重文件路径，支持yolo26n.pt,yolo26n-seg.pt,yolo26n-pose.pt等 |
source | 推理输入源，可为本地图片、视频路径，或摄像头编号（如0） |
save | 是否保存推理结果，默认False，建议设为True |
show | 是否实时显示结果窗口，默认True，服务器环境下建议设为False |
3.3 运行推理
执行命令：
python detect.py推理完成后，结果图像将保存在runs/detect/predict/目录下。终端会输出检测到的目标类别、置信度和边界框坐标信息。
4. 自定义数据集训练全流程
4.1 数据集准备与格式转换
YOLO26支持多种任务类型，包括目标检测、实例分割、姿态估计和旋转框检测。对于标准目标检测任务，需准备符合YOLO格式的数据集：
- 图像文件存放于
images/目录 - 对应标签文件（
.txt）存放于labels/目录 - 每个标签文件每行格式为：
class_id center_x center_y width height（归一化坐标）
若原始标注为VOC格式（XML），可通过以下脚本转换为YOLO格式：
import xml.etree.ElementTree as ET import os import cv2 import numpy as np def convert(size, box): dw = 1. / size[0] dh = 1. / size[1] x = (box[0] + box[1]) / 2.0 - 1 y = (box[2] + box[3]) / 2.0 - 1 w = box[1] - box[0] h = box[3] - box[2] return x*dw, y*dh, w*dw, h*dh def convert_annotation(xml_path, txt_path, classes, img_dir): tree = ET.parse(xml_path) root = tree.getroot() filename = root.find('filename').text.split('.')[0] img_file = os.path.join(img_dir, f"{filename}.jpg") img = cv2.imread(img_file) h, w = img.shape[:2] with open(txt_path, 'w') as f: for obj in root.iter('object'): cls_name = obj.find('name').text if cls_name not in classes: continue cls_id = classes.index(cls_name) bbox = obj.find('bndbox') b = [float(bbox.find('xmin').text), float(bbox.find('xmax').text), float(bbox.find('ymin').text), float(bbox.find('ymax').text)] bb = convert((w, h), b) f.write(f"{cls_id} {' '.join(map(str, bb))}\n")4.2 数据集划分
使用以下代码将数据划分为训练集、验证集和测试集：
from sklearn.model_selection import train_test_split import shutil import os test_ratio = 0.2 val_ratio = 0.1 image_dir = '/path/to/images' label_dir = '/path/to/labels' output_dir = '/path/to/dataset' os.makedirs(f'{output_dir}/images/train', exist_ok=True) os.makedirs(f'{output_dir}/images/val', exist_ok=True) os.makedirs(f'{output_dir}/images/test', exist_ok=True) # ... labels同理 txt_files = [f for f in os.listdir(label_dir) if f.endswith('.txt')] train_val, test = train_test_split(txt_files, test_size=test_ratio, random_state=42) val_ratio_adjusted = val_ratio / (1 - test_ratio) train, val = train_test_split(train_val, test_size=val_ratio_adjusted, random_state=42) for file_list, split in [(train, 'train'), (val, 'val'), (test, 'test')]: for txt_file in file_list: img_file = txt_file.replace('.txt', '.jpg') shutil.copy(os.path.join(image_dir, img_file), f'{output_dir}/images/{split}/') shutil.copy(os.path.join(label_dir, txt_file), f'{output_dir}/labels/{split}/')4.3 配置data.yaml
在项目根目录创建data.yaml文件：
train: /root/workspace/dataset/images/train val: /root/workspace/dataset/images/val nc: 2 names: ['dog', 'cat']请根据实际路径修改train和val字段。
5. 模型训练：完整配置与执行
5.1 训练脚本编写
创建train.py文件：
from ultralytics import YOLO import warnings warnings.filterwarnings('ignore') if __name__ == '__main__': model = YOLO(model='/root/workspace/ultralytics-8.4.2/ultralytics/cfg/models/26/yolo26.yaml') model.load('yolo26n.pt') # 加载预训练权重 model.train( data='data.yaml', imgsz=640, epochs=200, batch=128, workers=8, device='0', optimizer='SGD', close_mosaic=10, resume=False, project='runs/train', name='exp', single_cls=False, cache=False )5.2 关键参数说明
| 参数 | 作用 |
|---|---|
imgsz | 输入图像尺寸，通常为640 |
batch | 批次大小，显存足够时可增大以加速训练 |
workers | 数据加载线程数，建议设置为CPU核心数 |
device | 使用GPU编号，如'0'表示第一块GPU |
close_mosaic | 在指定epoch后关闭Mosaic数据增强 |
resume | 是否从中断处继续训练，恢复时设为True |
5.3 开始训练
运行命令：
python train.py训练过程中，日志和权重将自动保存至runs/train/exp/目录。最佳模型保存为best.pt，最终模型为last.pt。
6. 结果下载与模型导出
6.1 下载训练结果
通过Xftp等SFTP工具连接服务器，将runs/train/exp/weights/目录下的best.pt文件下载至本地，用于后续推理或部署。
💡 提示：大文件建议先压缩再传输，命令如下：
tar -czf weights.tar.gz runs/train/exp/weights/
6.2 断点续训功能
若训练意外中断，可通过以下方式继续：
model = YOLO('runs/train/exp/weights/last.pt') model.train(resume=True)设置resume=True即可自动恢复优化器状态和训练进度。
7. 总结
本文详细介绍了如何利用YOLO26官方训练与推理镜像快速搭建开发环境，并完成从数据准备、模型训练到结果下载的完整流程。该镜像极大简化了环境配置复杂度，使开发者能够专注于模型调优和业务应用。
YOLO26凭借其更高的精度、更快的推理速度以及对边缘设备的友好性，正在成为新一代视觉AI应用的核心引擎。结合预配置镜像，即使是初学者也能在短时间内实现高性能目标检测系统的部署。
未来我们将持续关注YOLO26在工业缺陷检测、无人机遥感、智能交通等场景的应用实践，敬请期待更多实战案例分享。
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。