YOLO26训练结果如何下载？Xftp文件传输教程-开发者社区

YOLO26训练结果如何下载？Xftp文件传输教程

1. 镜像环境说明

本镜像基于YOLO26 官方代码库构建，预装了完整的深度学习开发环境，集成了训练、推理及评估所需的所有依赖，开箱即用。

核心框架:pytorch == 1.10.0
CUDA版本:12.1
Python版本:3.9.5
主要依赖:torchvision==0.11.0,torchaudio==0.10.0,cudatoolkit=11.3,numpy,opencv-python,pandas,matplotlib,tqdm,seaborn等。

该环境专为 YOLO26 模型的训练与推理优化，避免了繁琐的依赖安装过程。所有常用工具均已配置完成，用户可直接进入模型开发阶段，大幅提升实验效率。

2. 快速上手

启动镜像后，您将进入一个预配置好的 Linux 终端环境。以下步骤将引导您完成从环境激活到模型训练、推理及结果下载的完整流程。

2.1 激活环境与切换工作目录

在使用前，请先激活 Conda 环境：

conda activate yolo

提示：若未执行此命令，可能导致模块导入失败或 CUDA 不可用。

镜像默认将 YOLO26 代码存放在/root/ultralytics-8.4.2目录下。为便于修改和持久化保存，建议将其复制至数据盘（如/root/workspace/）：

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

随后进入项目目录：

cd /root/workspace/ultralytics-8.4.2

此时您已准备好进行后续操作。推荐在此目录下组织您的数据集、配置文件和训练输出。

2.2 模型推理

YOLO26 支持图像、视频及摄像头实时检测。以下是一个标准的推理脚本示例。

修改`detect.py`文件

# -*- coding: utf-8 -*- from ultralytics import YOLO if __name__ == '__main__': # 加载模型 model = YOLO(model=r'yolo26n-pose.pt') # 执行预测 model.predict( source=r'./ultralytics/assets/zidane.jpg', # 输入源：图片/视频路径 或 0 表示摄像头 save=True, # 是否保存结果（默认不保存） show=False # 是否显示窗口（服务器环境下建议关闭） )

参数说明

参数	说明
`model`	指定模型权重文件路径，支持`.pt`格式
`source`	可为本地图片/视频路径，或`0`调用摄像头
`save`	设置为`True`将自动保存结果到`runs/detect/predict/`
`show`	在有 GUI 的环境中设置为`True`可实时查看

运行命令：

python detect.py

推理完成后，结果图像将保存在runs/detect/predict/目录中，可通过 Xftp 下载查看。

2.3 模型训练

要训练自定义数据集，需准备 YOLO 格式的数据并修改配置文件。

准备`data.yaml`

确保数据集按如下结构组织：

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

data.yaml示例内容：

train: ./dataset/images/train val: ./dataset/images/val nc: 80 names: ['person', 'bicycle', 'car', ...]

上传数据集后，将data.yaml放置在项目根目录或指定路径，并在训练脚本中引用。

配置`train.py`

import warnings warnings.filterwarnings('ignore') from ultralytics import YOLO if __name__ == '__main__': # 定义模型结构 model = YOLO(model='/root/workspace/ultralytics-8.4.2/ultralytics/cfg/models/26/yolo26.yaml') # 加载预训练权重（可选） model.load('yolo26n.pt') # 开始训练 model.train( data=r'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, )

训练参数解析

参数	作用
`imgsz`	输入图像尺寸，通常为 640
`batch`	批次大小，根据显存调整
`device`	使用 GPU 编号，如`'0'`表示第一块 GPU
`project`和`name`	控制输出路径：`runs/train/exp/`
`resume`	断点续训，设为`True`可从中断处继续训练

启动训练：

python train.py

训练过程中，日志和权重会自动保存在runs/train/exp/weights/目录下，包含best.pt（最佳模型）和last.pt（最终模型）。

2.4 下载训练结果：Xftp 文件传输指南

训练结束后，您需要将模型权重、日志图表等结果从服务器下载到本地。推荐使用Xftp进行可视化文件传输。

步骤一：连接服务器

打开 Xshell 并登录远程主机。
在会话窗口右键 →“打开 Xftp”，或单独启动 Xftp 并手动输入 IP、用户名、密码和端口（通常为 22）。

步骤二：双窗格拖拽传输

Xftp 默认采用左右双窗格界面：

左侧：本地计算机文件系统
右侧：远程服务器文件系统

导航至训练输出目录：

cd /root/workspace/ultralytics-8.4.2/runs/train/exp/

在 Xftp 右侧浏览相同路径。

步骤三：下载文件

单个文件：鼠标双击目标文件（如best.pt），自动开始下载。
整个文件夹：将右侧的文件夹拖拽至左侧本地目录，支持递归复制。

建议：对于大文件（如模型权重），建议先压缩再传输以节省时间：
tar -czf weights.tar.gz runs/train/exp/weights/

步骤四：查看传输状态

点击底部任务栏中的传输队列，可查看进度、速度和剩余时间。支持暂停、恢复和取消。

注意事项

若传输失败，请检查防火墙设置或尝试 SFTP 协议。
大文件传输建议在网络稳定时段进行。
下载完成后，可在本地使用ultralytics库加载模型进行部署测试。

3. 已包含权重文件

镜像内已预下载常用 YOLO26 权重文件，位于项目根目录：

/root/workspace/ultralytics-8.4.2/ ├── yolo26n.pt ├── yolo26s.pt ├── yolo26m.pt ├── yolo26l.pt ├── yolo26x.pt ├── yolo26n-pose.pt └── ...

这些模型覆盖分类、检测、姿态估计等多种任务，可直接用于推理或微调。无需额外下载，节省初始化时间。

4. 常见问题

Q1: 为什么训练时报错“ModuleNotFoundError”？

请确认是否已执行：

conda activate yolo

部分用户误在默认环境运行脚本，导致依赖缺失。

Q2: 如何上传自己的数据集？

方法一：使用 Xftp 将本地数据集文件夹拖拽至服务器指定路径（如/root/workspace/dataset/）。

方法二：通过命令行使用scp或rsync：

scp -r /path/to/local/dataset user@server_ip:/root/workspace/

Q3: 训练中断了怎么办？

可在train.py中设置resume=True续训：

model.train(resume=True)

注意：必须保留原训练输出目录结构，否则无法恢复。

Q4: 显存不足怎么办？

降低batch参数值，例如改为64或32，并确保workers不超过 CPU 核心数。

5. 参考资料

官方仓库: ultralytics/ultralytics
文档说明: 详细用法请参考官方库中的README.md文件。
Xftp 官网: https://www.netsarang.com/en/xftp/

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。

YOLO26训练结果如何下载？Xftp文件传输教程