YOLO26如何上传数据集？Xftp文件传输教程
YOLO26作为最新一代目标检测模型，在精度、速度与多任务能力上实现了显著突破。但再强大的模型，也离不开高质量数据集的支撑。很多刚接触YOLO26训练流程的朋友常卡在第一步：数据集怎么传到服务器？路径怎么配？Xftp怎么用才不踩坑？本文不讲抽象理论，不堆参数配置，只聚焦一个最实际的问题——手把手带你完成从本地电脑到远程服务器的数据集上传全流程，包括YOLO格式校验、Xftp连接设置、断点续传技巧、路径映射逻辑，以及上传后如何快速验证是否成功。所有操作均基于CSDN星图平台最新发布的YOLO26官方训练与推理镜像实测验证，所见即所得。
1. 镜像环境基础认知：为什么上传前必须了解这些
在动手传数据之前，先明确你面对的是什么环境。这不是一台裸机，而是一个高度集成、开箱即用的深度学习工作台。理解它的结构，能帮你避开90%的路径错误和权限问题。
1.1 环境核心组成与默认布局
该镜像并非简单安装PyTorch，而是构建了一个完整、稳定、可复现的训练闭环。关键信息如下：
- 主工作区固定位置：
/root/workspace/—— 这是你所有自定义代码、数据、模型输出的“安全区”，所有操作请优先在此目录下进行 - 原始代码只读区：
/root/ultralytics-8.4.2/—— 镜像预装的官方代码库，默认为只读权限，直接修改会失败 - 模型权重存放点：
/root/ultralytics-8.4.2/根目录下已预置yolo26n.pt、yolo26n-pose.pt等常用权重，无需额外下载 - Conda环境隔离：独立
yolo环境（非默认base），Python 3.9.5 + PyTorch 1.10.0 + CUDA 12.1，确保依赖纯净
关键提醒：很多用户上传数据后找不到，根本原因是把文件传到了
/root/下，却在/root/workspace/ultralytics-8.4.2/里找路径。记住——你的工作目录是/root/workspace/，不是/root/。
1.2 数据集路径的“三层映射”逻辑
YOLO26训练时，data.yaml文件里的路径不是绝对物理路径，而是相对于当前执行命令所在目录的相对路径。这形成了一套必须理清的映射关系：
| 层级 | 说明 | 示例 |
|---|---|---|
| 第一层：Xftp上传目标 | 你在Xftp左侧（本地）选中数据集文件夹，拖拽到Xftp右侧（服务器）的哪个目录？ | 拖到/root/workspace/下 |
| 第二层：data.yaml中声明路径 | train: images/train这行，指的是从data.yaml所在目录开始算的相对路径 | 若data.yaml在/root/workspace/ultralytics-8.4.2/，则实际读取/root/workspace/ultralytics-8.4.2/images/train |
| 第三层：终端执行位置 | 你必须在/root/workspace/ultralytics-8.4.2/目录下运行python train.py，否则相对路径失效 | cd /root/workspace/ultralytics-8.4.2 && python train.py |
这三层缺一不可。漏掉任何一层，都会报错FileNotFoundError: [Errno 2] No such file or directory。
2. Xftp上传实战：从零开始，一次成功
Xftp是Windows环境下最稳定、最直观的SFTP文件传输工具。本节全程截图级指导，覆盖新建会话、连接验证、高效上传、断点续传四大核心环节。
2.1 新建并配置Xftp连接
- 打开Xftp → 点击左上角“新建”（或按
Ctrl+N） - 在弹出窗口中填写：
- 主机：你的服务器IP地址（如
118.190.xxx.xxx） - 端口号：
22（SFTP默认端口，勿改） - 用户名：
root - 密码：镜像启动时生成的初始密码（首次登录后建议修改）
- 主机：你的服务器IP地址（如
- 点击“连接”→ 首次连接会提示“未知主机密钥”，勾选“始终信任此主机”→ 确定
成功标志：Xftp界面分为左右两栏，左侧显示你本地电脑的文件系统，右侧显示服务器
/root/目录下的内容，顶部状态栏显示Connected。
2.2 上传数据集：三步到位，拒绝迷路
假设你的本地数据集文件夹名为my_yolo_dataset，结构符合YOLO标准（含images/、labels/、train.txt等）。上传步骤如下：
在Xftp右侧（服务器端）导航至
/root/workspace/- 双击右侧窗口中的
root→ 双击workspace - 此时右侧地址栏应显示：
/root/workspace/
- 双击右侧窗口中的
在Xftp左侧（本地端）定位你的数据集文件夹
- 浏览到你存放
my_yolo_dataset的本地路径（如D:\datasets\my_yolo_dataset）
- 浏览到你存放
执行拖拽上传
- 用鼠标左键按住左侧的
my_yolo_dataset文件夹 - 拖拽至右侧
/root/workspace/窗口内，松开鼠标 - Xftp将自动创建同名文件夹并开始上传
- 用鼠标左键按住左侧的
提示：若数据集较大（>1GB），上传过程可能持续数分钟。右下角任务栏会显示实时进度条与剩余时间。切勿关闭Xftp或断网，Xftp支持断点续传，意外中断后重新连接，它会自动从断点继续。
2.3 上传后必做的三件事：验证、校验、备份
上传完成不等于万事大吉。立即执行以下检查，避免训练时才发现问题：
验证文件完整性
- 在Xftp右侧窗口，右键点击刚上传的
my_yolo_dataset→ 选择“属性” - 查看“大小”是否与本地完全一致（单位：字节）。若不一致，说明传输未完成，需重新上传。
- 在Xftp右侧窗口，右键点击刚上传的
校验YOLO格式规范
- 切换到服务器终端（Xshell或镜像自带Web Terminal）
- 执行命令检查关键结构：
cd /root/workspace/my_yolo_dataset ls -l # 应看到：images/ labels/ train.txt val.txt data.yaml（如有） ls -l images/train/ | head -5 # 确认有.jpg/.png图片 ls -l labels/train/ | head -5 # 确认有对应.txt标签
创建软链接（推荐，一劳永逸）
- 为避免每次训练都写长路径，可在代码目录下创建指向数据集的快捷方式：
cd /root/workspace/ultralytics-8.4.2 ln -s /root/workspace/my_yolo_dataset my_data - 此后在
data.yaml中只需写train: my_data/images/train，清晰又安全。
- 为避免每次训练都写长路径，可在代码目录下创建指向数据集的快捷方式：
3. data.yaml配置详解：让YOLO26真正“看懂”你的数据
上传只是搬运工，data.yaml才是指挥官。它告诉模型：数据在哪、分几类、怎么划分。写错一行，训练直接报错。
3.1 最简可用版data.yaml模板
将以下内容保存为/root/workspace/ultralytics-8.4.2/data.yaml（注意路径！）：
# 训练/验证/测试图像路径（相对于本文件所在目录） train: ../my_yolo_dataset/images/train val: ../my_yolo_dataset/images/val test: ../my_yolo_dataset/images/test # 可选 # 类别数量与名称（顺序必须严格对应标签文件中的数字） nc: 3 names: ['person', 'car', 'dog'] # 超参数（可选，YOLO26会自动加载默认值） kpt_shape: [17, 3] # 若做姿态估计，保留；否则删除此行关键细节说明：
../my_yolo_dataset/...中的..表示向上跳一级目录，因为data.yaml在/root/workspace/ultralytics-8.4.2/，而数据集在/root/workspace/my_yolo_dataset/nc（number of classes）必须与names列表长度完全一致，且names中的字符串不能含空格或特殊符号- 若你的数据集没有
test分割，直接删除test:这一行即可，YOLO26会忽略
3.2 常见报错与秒级修复方案
| 报错信息 | 根本原因 | 一行修复命令 |
|---|---|---|
AssertionError: train: ... does not exist | train:路径写错，或文件夹名拼写错误 | ls -l $(dirname /root/workspace/ultralytics-8.4.2/data.yaml)/../my_yolo_dataset/images/train |
ValueError: class names do not match | names顺序与标签文件中数字索引不一致 | head -5 /root/workspace/my_yolo_dataset/labels/train/000001.txt查看首行数字 |
OSError: [Errno 13] Permission denied | 数据集文件夹权限不足（极少见） | chmod -R 755 /root/workspace/my_yolo_dataset |
4. 训练前最后检查清单：5分钟确认，省去2小时排查
在敲下python train.py之前，请花2分钟逐项核对。这是老手和新手的分水岭。
- 环境已激活：终端中执行
conda info --envs，确认当前环境名为yolo（星号标记） - 工作目录正确：执行
pwd，输出必须是/root/workspace/ultralytics-8.4.2 - 数据集路径可访问：执行
ls -l data.yaml和ls -l ../my_yolo_dataset/images/train \| head -3，两者均应正常列出内容 - GPU可用性验证：执行
nvidia-smi，确认CUDA进程列表为空（避免被其他任务占用显存） - 配置文件无语法错误：执行
python -c "import yaml; print(yaml.safe_load(open('data.yaml')))"，无报错即通过
全部打钩后，放心运行训练命令。首次训练建议加--verbose参数观察日志：
python train.py --verbose5. 下载训练成果：Xftp反向操作，安全高效
模型训练完成后，权重文件（.pt）、日志（results.csv）、可视化图（confusion_matrix.png）等均保存在runs/train/exp/下。下载步骤与上传完全对称，仅方向相反：
- 在Xftp右侧（服务器端）导航至
/root/workspace/ultralytics-8.4.2/runs/train/exp/ - 在Xftp左侧（本地端）打开你希望保存的文件夹（如
D:\yolo26_results\） - 拖拽方向反转：用鼠标左键按住右侧的
weights/best.pt或整个exp文件夹，拖拽至左侧本地文件夹内 - 双击底部任务栏，查看下载进度与速度
终极技巧：若需下载多个文件，可按住
Ctrl键多选，再一次性拖拽，效率提升300%。
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。
