🎯 YOLO26 完整教程：从安装到训练到部署#

1
# 检查CUDA是否可用（Python中）
2
import torch
3
print(torch.cuda.is_available()) # 应输出: True
4
print(torch.cuda.get_device_name(0)) # 显示GPU型号

1
from ultralytics import YOLO
2

3
# 🔹 1. 加载预训练模型
4
model = YOLO("yolo26n.pt") # n/s/m/l/x: 模型从小到大
5

6
# 🔹 2. 预测图片
7
results = model.predict(
8
 source="your_image.jpg",
9
 conf=0.25, # 置信度阈值
10
 iou=0.45, # NMS IoU阈值（YOLO26默认end2end=True时此参数无效）
11
 save=True, # 保存结果图
12
 show=True, # 弹窗显示
13
)
14

15
# 🔹 3. 获取检测结果
16
for result in results:
17
 boxes = result.boxes
18
 for box in boxes:
19
 print(f"类别: {box.cls[0]}, 置信度: {box.conf[0]:.2f}")
20
 print(f"坐标: {box.xyxy[0]}") # [x1, y1, x2, y2]

1
my_dataset/
2
├── images/
3
│ ├── train/ # 训练图片
4
│ │ ├── img1.jpg
5
│ │ └── img2.jpg
6
│ └── val/ # 验证图片
7
│ ├── img3.jpg
8
│ └── img4.jpg
9
├── labels/ # ⚠️ 注意是labels不是label！
10
│ ├── train/ # 训练标注（YOLO格式.txt）
11
│ │ ├── img1.txt
12
│ │ └── img2.txt
13
│ └── val/ # 验证标注
14
│ ├── img3.txt
15
│ └── img4.txt
16
└── dataset.yaml # 数据集配置文件 ⭐

1
# 每个txt文件对应一张图片，每行一个目标：
2
# <class_id> <x_center> <y_center> <width> <height>
3

4
# 示例（检测"猫"，类别ID=0）：
5
# 坐标归一化到[0,1]，相对于图片宽高
6
0 0.523 0.612 0.145 0.321 # 一只猫

1
# 📄 my_dataset/dataset.yaml
2

3
# 数据集路径（推荐用相对路径避免拼接错误）
4
path: . # 表示"当前目录"
5
train: images/train # 训练集图片相对路径
6
val: images/val # 验证集图片相对路径
7

8
# 类别信息（从0开始编号）
9
names:
10
 0: cat # 类别0叫"cat"
11
 1: dog # 如果有第二个类别
12

13
# 可选：测试集（评估用）
14
# test: images/test

1
from ultralytics.data.utils import check_det_dataset
2

3
# 检查数据集配置
4
check_det_dataset("my_dataset/dataset.yaml")
5

6
# ✅ 成功标志：打印出图片数量、类别数等信息
7
# ❌ 失败：报错"images not found"或"no labels found"

1
from ultralytics import YOLO
2

3
# 🔹 1. 加载预训练模型
4
model = YOLO("yolo26n.pt")
5

6
# 🔹 2. 训练模型
7
results = model.train(
8
 data="my_dataset/dataset.yaml", # 数据集配置
9
 epochs=50, # 训练轮数
10
 imgsz=640, # 输入图像尺寸
11
 batch=4, # 批次大小
12
 device="cpu", # 训练设备
13
 workers=4, # 数据加载线程数
14
 patience=20, # 早停耐心值
15
 project="runs/detect", # 结果保存目录
16
 name="my_cat_train", # 本次训练名称
17
 exist_ok=True, # 允许覆盖同名实验
18
)
19

20
# 🔹 3. 训练完成后自动保存最佳模型
21
# 路径: runs/detect/my_cat_train/weights/best.pt

1
Epoch GPU_mem box_loss cls_loss dfl_loss Instances Size
2
1/50 0G 1.234 0.567 0.890 10 640
3
...
4
50/50 0G 0.123 0.045 0.067 10 640

1
from ultralytics import YOLO
2

3
# 加载训练好的模型
4
model = YOLO("runs/detect/my_cat_train/weights/best.pt")
5

6
# 在验证集上评估
7
metrics = model.val(data="my_dataset/dataset.yaml")
8

9
# 查看关键指标
10
print(f"mAP50-95: {metrics.box.map}") # 主要指标
11
print(f"mAP50: {metrics.box.map50}") # 宽松阈值
12
print(f"Precision: {metrics.box.mp}") # 精确率
13
print(f"Recall: {metrics.box.mr}") # 召回率

1
# ✅ 解决方案：用Python+cv2.waitKey控制显示
2
from ultralytics import YOLO
3
import cv2
4

5
model = YOLO("best.pt")
6
results = model.predict(source="test.jpg", show=True)
7
cv2.waitKey(0) # 按任意键关闭窗口
8
cv2.destroyAllWindows()

1
# quick_test.py - 5分钟验证环境
2
from ultralytics import YOLO
3

4
# 1. 加载模型
5
model = YOLO("yolo26n.pt")
6

7
# 2. 预测网络示例图
8
results = model.predict(
9
 source="https://ultralytics.com/images/zidane.jpg",
10
 save=True,
11
 show=False
12
)
13

14
# 3. 查看结果路径
15
print(f"结果保存在: {results[0].save_dir}")