YOLO26上手指南

YOLO26当前支持目标检测、实例分割、图像分类、姿态识别、旋转框检测、目标跟踪六大计算机视觉任务，是当前最好用的框架之一。

本文为YOLO26标准仓库ultralytics[1]的使用教程。

安装环境

ultralytics支持两种基本运行模式，源码运行和命令行运行。

下面主要以源码运行为例，进行各项功能的使用。

克隆代码：

git clone https://github.com/ultralytics/ultralytics.git

用uv安装环境：

uv sync

激活环境：

source .venv/bin/activate

目标检测

模型训练

创建一个新的py文件，输入以下命令，即可开始一轮模型训练。

fromultralyticsimportYOLO# Load a COCO-pretrained YOLO26n modelmodel=YOLO("yolo26n.pt")# Train the model on the COCO8 example dataset for 1 epochsresults=model.train(data="ultralytics/cfg/datasets/coco8.yaml",epochs=1,imgsz=640)

其中：

• “yolo26n.pt”：指的是用型号官方提供的yolo26n这款预训练模型为基础，进行参数初始化，类似可选的模型共有5种：n/s/m/l/x，参数量和性能依次从小到大，如下表所示：

• ultralytics/cfg/datasets/coco8.yaml：指的是用该路径的配置文件，配置文件由两部分构成：数据集路径和类别标签。

path:coco8train:images/trainval:images/valtest:# test images (optional)# Classesnames:0:person1:bicycle2:car

path为项目根路径，train表示以项目根路径为基准，训练集的路径；val表示以项目根路径为基准，验证集的路径；test表示以项目根路径为基准，验证集的路径。

验证集的路径是必须要有的，因为模型在每次训练完之后，默认会执行一轮验证，保存验证集上最佳的模型权重。

测试集可以不需要填写，如果要验证模型的泛化性能的话，可以填写，并在后面做验证时，需要指定测试集。

运行上面的代码后，会自动下载coco8这个数据集，8张图片，4张训练，4张验证。

数据集默认的存放路径为../dataset

一个标准的训练数据集需要按照以下的文件结构排列，标签必须是labels文件夹，名称不可随意修改。

coco8/ ├── images/ │ ├── train/ │ │ ├── 0001.jpg │ │ ├── 0002.jpg │ │ └── ... │ └── val/ │ ├── 0101.jpg │ ├── 0102.jpg │ └── ... ├── labels/ │ ├── train/ │ │ ├── 0001.txt │ │ ├── 0002.txt │ │ └── ... │ └── val/ │ ├── 0101.txt │ ├── 0102.txt │ └── ...

在每一个txt标签中，单个目标以以下五个值排列，例如：

16 0.606687 0.341381 0.544156 0.51

这五个值分别表示：类别id、中心点横坐标、中心点纵坐标、目标宽度、目标高度，宽度和高度是归一化之后的值。

<class_id> <x_center> <y_center> <width> <height>

如果要训练其它的数据集，只需要按照以上规则进行处理即可。

训练完成后，模型默认保存在以下路径：

runs/detect/train/weights

其中，有两个模型：

• best.pt：在验证集上效果最好的模型权重
• last.pt：最后一轮训练保存的模型权重

在训练时，如果gpu是nvidia的gpu，会自动用cuda进行训练。

如果是macOS系统，会自动用cpu，需要指定device为mps，才能加速训练。

model.train的这个接口，还可以传递更多参数：

核心训练参数：

优化器与学习率参数：

数据增强参数：

训练控制参数：

验证与日志参数：

损失函数权重参数：

任务特定参数参数：

分割任务：

• overlap_mask: bool = True（训练时合并实例掩码）
• mask_ratio: int = 4（掩码下采样比例）

分类任务：

• dropout: float = 0.0（分类头 dropout）

模型验证

模型验证用于在数据的验证集/测试集上，验证训练完的模型性能。

下面是一个基本用法：

fromultralyticsimportYOLO model=YOLO("runs/detect/train/weights/best.pt")metrics=model.val(data="coco8.yaml",imgsz=640)

model.val还支持以下参数：

模型推理

模型推理用于对指定图片/图片文件夹进行检测。

下面是一个基本用法：

fromultralyticsimportYOLO model=YOLO("runs/detect/train/weights/best.pt")results=model.predict("ultralytics/assets/bus.jpg",save=True)

结果默认保存在 runs/detect/predict 路径中。

model.predict 还支持以下参数：

核心参数：

输出控制参数：

可视化参数：

其它参数：

模型转换

模型转换值得是将pytorch模型格式转换成其它格式，用来加速推理或特定用途。

以pt转onnx为例，代码如下：

fromultralyticsimportYOLO model=YOLO("runs/detect/train/weights/best.pt")model.export(format="onnx")

其它支持的格式和对应的参数有：

核心参数：

了解完目标检测之后，其它几个计算机视觉任务，接口都是差不多的，ultralytics在接口一致性上做的很好。

实例分割

下面是实例分割的推理代码，接口和上面完全一致，只是换了一个模型。

fromultralyticsimportYOLO model=YOLO("yolo26n-seg.pt")results=model.predict("ultralytics/assets/zidane.jpg",save=True)

图像分类

图像分类的推理只需把模型后缀改成cls。

fromultralyticsimportYOLO model=YOLO("yolo26n-cls.pt")results=model.predict("ultralytics/assets/zidane.jpg",save=True)

姿态识别

姿态识别的推理只需把模型后缀改成pose。

fromultralyticsimportYOLO model=YOLO("yolo26n-pose.pt")results=model.predict("ultralytics/assets/zidane.jpg",save=True)

旋转框检测

旋转框检测的推理只需把模型后缀改成obb。

fromultralyticsimportYOLO model=YOLO("yolo26n-obb.pt")results=model.predict("ultralytics/assets/zidane.jpg",save=True)

目标跟踪

目标跟踪会有点不一样，它仍然是基于检测模型去做，但是传入的是视频，并且需要指定跟踪算法。

示例代码如下：

fromultralyticsimportYOLO model=YOLO("yolo26n.pt")results=model.track(source="video.mp4",stream=True,show=True,tracker="botsort.yaml")

跟踪算法除了botsort，还支持bytetrack。

这两个跟踪算法的具体参数，可以在 ultralytics/cfg/trackers 的相应配置文件下去进行调整。

ultralytics除了支持YOLO26以外，还支持从YOLOv3开始的一系列YOLO算法和RT-DETR算法，模型结构具体可在 ultralytics/cfg/models 中进行查看。

参考

[1] https://github.com/ultralytics/ultralytics