YOLO26怎么加载权重？预下载模型调用步骤详解-开发者社区

YOLO26怎么加载权重？预下载模型调用步骤详解

最新 YOLO26 官方版训练与推理镜像
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。

1. 镜像环境说明

该镜像为 YOLO26 的完整运行环境提供了无缝支持，省去繁琐的依赖配置过程。无论你是刚接触目标检测的新手，还是希望快速验证想法的研究者，这套环境都能让你立刻上手。

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等常用科学计算和视觉处理库均已预装。

整个系统以 Conda 环境管理，避免包冲突问题。启动后默认进入一个基础环境，但实际使用 YOLO26 前需要切换到专用的yolo环境中，确保所有组件协调工作。

2. 快速上手

镜像启动后的 JupyterLab 或终端界面如上图所示。

这是文件浏览器视图，可以看到根目录下的项目结构。

2.1 激活环境与切换工作目录

在开始任何操作之前，首先要激活名为yolo的 Conda 环境：

conda activate yolo

激活成功后，命令行提示符前会显示(yolo)标识，表示当前已处于正确的运行环境中。

由于原始代码位于系统盘/root/ultralytics-8.4.2，不便于修改和持久化保存，建议先将其复制到数据盘的工作空间中：

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

然后进入新复制的目录：

cd /root/workspace/ultralytics-8.4.2

这样后续对代码的修改都会保留在可持久化的路径下，方便长期开发和调试。

2.2 模型推理

YOLO26 支持多种任务类型，包括目标检测、实例分割、姿态估计等。我们以最常用的图像推理为例，展示如何加载预训练权重并执行预测。

首先创建或修改detect.py文件，内容如下：

# -*- coding: utf-8 -*- """ @Auth ：落花不写码 @File ：detect.py @IDE ：PyCharm @Motto :学习新思想，争做新青年 """ from ultralytics import YOLO if __name__ == '__main__': # Load a model model = YOLO(model=r'yolo26n-pose.pt') model.predict(source=r'./ultralytics/assets/zidane.jpg', save=True, show=False, )

这段代码的核心是YOLO()类的初始化和predict()方法调用。下面我们逐个解释关键参数：

model 参数：这里填入的是模型权重文件的路径。可以是.pt格式的预训练权重，也可以是.yaml配置文件（用于从零开始训练）。例如'yolo26n-pose.pt'是一个轻量级的姿态估计模型。
source 参数：指定输入源。可以是一个本地图片路径（如'zidane.jpg'），也可以是视频文件、摄像头编号（如0表示默认摄像头），甚至是网络流地址。
save 参数：设为True时表示将推理结果保存为图像或视频文件，默认保存在runs/detect/predict/目录下。
show 参数：是否在屏幕上实时显示结果窗口。在服务器环境下通常设为False，避免图形界面报错。

运行以下命令即可执行推理：

python detect.py

推理过程中终端会输出进度条和检测信息。

最终生成的结果图会被自动保存，你可以通过文件系统查看。

推理结果终端会显示的，自己去查看即可。

2.3 模型训练

如果你有自己的数据集，并希望在 YOLO26 上进行微调或从头训练，接下来这一步至关重要。

数据集准备

YOLO 系列模型要求数据集遵循特定格式：每张图片对应一个.txt标注文件，标注内容为归一化后的类别 ID 和边界框坐标（中心点 x, y, 宽 w, 高 h）。

你需要上传自己的数据集，并编写data.yaml文件来描述数据结构。示例如下：

train: /root/workspace/datasets/mydata/images/train val: /root/workspace/datasets/mydata/images/val nc: 80 names: ['person', 'bicycle', 'car', ...]

这是典型的 YOLO 数据配置文件结构。

参数解析：train和val分别指向训练集和验证集路径；nc是类别数量；names是类名列表。

训练脚本配置

接下来修改train.py文件，设置训练参数：

# -*- coding: utf-8 -*- """ @Auth ：落花不写码 @File ：train.py @IDE ：PyCharm @Motto :学习新思想，争做新青年 """ import warnings warnings.filterwarnings('ignore') from ultralytics import YOLO 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,改进或者做对比实验时候不建议打开，因为用预训练模型整体精度没有很明显的提升 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, )

重点说明几个关键点：

model = YOLO(...)：传入的是模型结构定义文件.yaml，表示我们要构建一个新的网络架构。
model.load('yolo26n.pt')：手动加载预训练权重。注意，这一步不是必须的。如果想从头训练或做消融实验，可以注释掉这一行。
device='0'：指定使用第 0 号 GPU 进行训练。
close_mosaic=10：表示最后 10 个 epoch 关闭 Mosaic 数据增强，有助于稳定收敛。
resume=False：若设为True，可以从断点继续训练。

保存后运行：

python train.py

训练日志会实时输出损失值、mAP 等指标，并提示模型保存路径。

2.4 下载数据

训练完成后，模型权重、日志图表和预测结果都保存在本地磁盘。为了在本地进一步分析或部署，需要将这些文件下载到个人电脑。

推荐使用 Xftp 工具连接服务器，采用拖拽方式传输文件：

将右侧远程服务器上的文件夹或文件向左拖动，即可下载到本地。
对单个文件，可以直接鼠标双击触发下载。
大文件建议先压缩再传输，节省时间和带宽。

双击传输任务可查看进度和速度。

上传操作同理，只需方向相反——从左边本地拖到右边服务器即可。

3. 已包含权重文件

为了让用户免去漫长的模型下载过程，本镜像已在根目录预置了多个常用 YOLO26 权重文件：

常见的如：

yolo26n.pt：Nano 版本，适用于边缘设备
yolo26s.pt：Small 版本，平衡速度与精度
yolo26m.pt：Medium 版本，通用场景首选
yolo26l.pt：Large 版本，高精度需求
yolo26x.pt：X-Large 版本，最大容量
yolo26n-seg.pt：支持实例分割
yolo26n-pose.pt：支持人体姿态估计

这些模型均可直接用于推理或作为微调起点，无需额外下载。

4. 常见问题

数据集准备: 请确保你的数据集符合 YOLO 格式规范，并在data.yaml中正确填写训练集和验证集路径。路径错误会导致“找不到数据”或空训练批次的问题。
环境激活: 镜像启动后默认进入torch25环境，请务必执行conda activate yolo切换至 YOLO26 所需的专用环境，否则会出现模块导入失败或 CUDA 不兼容等问题。
显存不足怎么办？如果训练时报显存溢出（Out of Memory），可尝试降低batch大小，或改用更小的模型版本（如从yolo26l换成yolo26s）。
如何更换模型尺寸？只需更改model参数中的配置文件或权重名称即可。例如将yolo26.yaml改为yolo26s.yaml，或将yolo26n.pt替换为yolo26m.pt。
能否加载自定义权重继续训练？可以。只需将model.load()中的路径改为你的.pt文件路径即可实现断点续训或迁移学习。