YOLO26项目结构解析：ultralytics/cfg路径说明

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高度集成的支持，适用于从初学者到专业开发者的各类用户。无需手动配置复杂的依赖关系，所有关键组件均已预装并完成兼容性测试。

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

此环境经过优化，在NVIDIA GPU上可实现高效训练与实时推理，特别适合目标检测、姿态估计等任务的实际部署需求。

2. 快速上手

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

注意：镜像默认进入的是torch25环境，必须手动切换至yolo环境才能正常运行YOLO26相关脚本。

由于系统盘空间有限，建议将代码复制到数据盘进行操作。执行以下命令完成迁移：

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

随后进入新目录开始后续操作：

cd /root/workspace/ultralytics-8.4.2

这样做的好处是便于修改源码、保存训练结果，并避免因磁盘空间不足导致中断。

2.2 模型推理

YOLO26支持多种推理模式，包括图像、视频和摄像头输入。我们以一个简单的图片推理为例，展示如何快速调用模型。

首先创建或修改detect.py文件，内容如下：

from ultralytics import YOLO if __name__ == '__main__': # 加载模型 model = YOLO(model=r'yolo26n-pose.pt') # 执行推理 model.predict( source=r'./ultralytics/assets/zidane.jpg', save=True, show=False )

参数详解：

model参数：指定模型权重文件路径。可以是.pt格式的预训练权重，也可以是.yaml配置文件（用于从头加载结构）。
source参数：输入源路径。支持本地图片、视频文件路径，或直接传入摄像头编号（如0表示默认摄像头）。
save参数：是否保存推理结果。设为True时，输出图像会自动保存到runs/detect/predict/目录下。
show参数：是否弹窗显示结果。若在无GUI服务器上运行，应设为False。

运行命令启动推理：

python detect.py

程序执行后会在终端打印检测信息（如类别、置信度、坐标），同时生成带标注框的结果图。你可以通过Xftp等方式下载查看。

2.3 模型训练

要训练自定义数据集，需准备符合YOLO格式的数据集，并正确配置data.yaml文件。

数据集配置（data.yaml）

YOLO要求数据集按如下结构组织：

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

data.yaml内容示例：

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

其中：

train和val指向训练与验证集图像路径
nc是类别数量
names是类别名称列表

训练脚本配置（train.py）

以下是完整的训练脚本参考：

import warnings warnings.filterwarnings('ignore') from ultralytics import YOLO if __name__ == '__main__': # 加载模型结构定义 model = YOLO(model='/root/workspace/ultralytics-8.4.2/ultralytics/cfg/models/26/yolo26.yaml') # 可选：加载预训练权重 model.load('yolo26n.pt') # 初次训练可不加，微调时建议使用 # 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 )

关键参数说明：

参数	说明
`imgsz`	输入图像尺寸，通常为640
`batch`	批次大小，根据显存调整
`epochs`	训练轮数
`device`	使用GPU编号，单卡填`'0'`
`close_mosaic`	在最后N个epoch关闭Mosaic增强
`resume`	是否从中断处继续训练
`project`和`name`	控制日志和权重保存路径

运行训练：

python train.py

训练过程中会实时输出损失值、mAP等指标，最终模型权重将保存在runs/train/exp/weights/目录中。

2.4 下载训练结果

训练完成后，可通过SFTP工具（如Xftp）将模型文件下载到本地使用。

操作方式非常直观：

在Xftp界面中，右侧为远程服务器文件
左侧为本地计算机路径
将远程目录中的runs/train/exp文件夹拖拽到左侧即可开始传输
单个文件可直接双击下载

建议对大文件夹先压缩再传输，例如使用命令：
tar -czf exp.tar.gz runs/train/exp
可显著减少传输时间。

3. ulrtaletics/cfg 路径结构深度解析

ultralytics/cfg是YOLO26项目的核心配置目录，决定了模型架构、训练策略和模块行为。理解其结构有助于灵活定制模型。

3.1 主要子目录概览

ultralytics/ └── cfg/ ├── models/ # 模型结构定义 ├── defaults.yaml # 默认超参配置 └── tasks.yaml # 任务类型映射

我们重点分析models/目录。

3.2 models/26/ 目录详解

这是YOLO26专属的模型配置区，包含不同规模的网络结构：

models/26/ ├── yolo26.yaml # Nano级别基础结构 ├── yolo26s.yaml # Small版本 ├── yolo26m.yaml # Medium版本 ├── yolo26l.yaml # Large版本 ├── yolo26x.yaml # Extra-large版本 └── yolo26-pose.yaml # 姿态估计专用结构

每个.yaml文件定义了网络的层级结构和关键参数。

示例：yolo26s.yaml 片段解析

# YOLOv26s model nc: 80 # number of classes scales: s: [0.33, 0.5] backbone: - [-1, 1, Conv, [64, 3, 2]] # P1/2 - [-1, 1, Conv, [128, 3, 2]] # P2/4 - [-1, 3, C2f, [128, True]] - [-1, 1, Conv, [256, 3, 2]] # P3/8 - [-1, 6, C2f, [256, True]] - [-1, 1, Conv, [512, 3, 2]] # P4/16 - [-1, 6, C2f, [512, True]] - [-1, 1, Conv, [1024, 3, 2]] # P5/32 - [-1, 3, C2f, [1024, True]] - [-1, 1, SPPF, [1024, 5]]

字段含义解释：

nc：分类数量，默认80（COCO数据集）
scales：缩放因子，控制通道数与层数
backbone：主干网络结构
- -1表示上一层输出
- 1表示重复次数
- Conv、C2f、SPPF为模块名
- [64, 3, 2]是模块参数（输出通道、卷积核、步长）

这种设计使得模型结构完全可配置，无需修改Python代码即可调整网络深度与宽度。

3.3 自定义模型结构技巧

如果你想基于YOLO26设计自己的变体，只需复制一份.yaml文件并修改：

复制基础配置：

cp ultralytics/cfg/models/26/yolo26s.yaml my_yolo.yaml

修改nc适配你的数据集类别数
调整backbone或head中的模块数量或通道数
在训练时指向该配置文件：

model = YOLO(model='my_yolo.yaml')

即可从头训练一个全新结构的模型。

4. 已包含权重文件说明

镜像内已预下载常用权重文件，位于代码根目录：

yolo26n.pt：Nano版本目标检测权重
yolo26n-pose.pt：Nano版本姿态估计权重
其他规模（s/m/l/x）的权重也一并提供

这些权重可用于：

直接推理（zero-shot）
迁移学习（fine-tuning）
模型对比实验

无需额外下载，开箱即用，极大提升开发效率。

5. 常见问题与解决方案

5.1 环境未激活导致报错

现象：导入ultralytics报错 ModuleNotFoundError
原因：未切换至yolo环境
解决：

conda activate yolo

确认当前环境名称正确：

conda info --envs

5.2 显存不足（Out of Memory）

现象：训练时报CUDA out of memory
解决方法：

减小batch值（如改为64或32）
降低imgsz（如改为320或480）
启用cache=False避免缓存全部数据

5.3 数据路径错误

现象：提示找不到图像或标签
检查点：

data.yaml中路径是否为绝对路径或相对路径正确
图像与标签文件名是否一一对应
label文件中的类别索引是否在[0, nc)范围内

5.4 推理窗口无法显示（show=True 报错）

场景：在无图形界面的服务器上运行
解决：设置show=False

model.predict(source='test.jpg', show=False, save=True)

或使用虚拟显示：

export DISPLAY=:0

6. 总结

本文详细解析了YOLO26官方训练与推理镜像的使用流程，重点讲解了ultralytics/cfg路径下的模型配置体系。通过这个结构化的配置系统，用户可以在不改动代码的前提下，灵活定义网络结构、调整训练策略、扩展任务类型。

核心要点回顾：

镜像开箱即用，省去繁琐环境配置
cfg/models/26/下的YAML文件决定了模型“基因”
推理与训练脚本简单清晰，易于二次开发
支持从预训练权重加载，加速模型迭代
所有输出均可方便导出用于实际部署

掌握这套配置机制，你就能真正“读懂”YOLO26的设计思想，不再只是调包侠，而是能够深入定制、优化和创新的实践者。

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。