从0开始学YOLO26：官方镜像手把手教学
你是不是也曾经被复杂的环境配置劝退过？装依赖、配CUDA、调PyTorch版本……光是准备阶段就能耗掉一整天。别担心，今天这篇教程就是为你量身打造的——我们用最新 YOLO26 官方版训练与推理镜像，跳过所有繁琐步骤，直接进入“写代码-跑模型”的实战环节。
无论你是刚入门的目标检测新手，还是想快速验证想法的开发者，这篇文章都能让你在30分钟内完成一次完整的YOLO26模型推理和训练流程。不需要懂Docker命令，也不用查报错信息，跟着一步步操作就行。
1. 镜像介绍：为什么选它？
这个镜像不是随便打包的环境，而是基于YOLO26 官方代码库构建的完整开发套件。它最大的优势就是——开箱即用。
你不需要再手动安装任何东西，所有你需要的都已经准备好了：
- 核心框架：
pytorch == 1.10.0 - CUDA版本：
12.1 - Python版本：
3.9.5 - 预装依赖：
torchvision==0.11.0,torchaudio==0.10.0,opencv-python,numpy,pandas,matplotlib,tqdm等常用库一应俱全
更重要的是，镜像里已经内置了YOLO26的核心代码（ultralytics-8.4.2）和常用权重文件（如yolo26n.pt），省去了下载慢、链接失效的烦恼。
简单说：启动即可用，复制即修改，运行即出结果。
2. 快速上手：四步走通全流程
整个使用流程可以概括为四个关键动作：激活环境 → 复制代码 → 修改脚本 → 运行任务。下面我们一步步来。
2.1 激活环境并复制项目代码
镜像启动后，默认会进入一个Conda环境，但我们需要先切换到YOLO专用环境。
执行以下命令激活环境：
conda activate yolo你会看到终端提示符前多了(yolo)，说明环境已成功切换。
接下来，我们要把默认放在系统盘的代码复制到工作区，方便后续修改。执行：
cp -r /root/ultralytics-8.4.2 /root/workspace/然后进入项目目录：
cd /root/workspace/ultralytics-8.4.2这一步很重要。如果不复制，直接在原路径修改代码，可能会因为权限问题导致保存失败，或者下次启动又要重新配置。
2.2 模型推理：让第一张图“动”起来
现在我们来做最直观的事——用预训练模型对一张图片做目标检测。
YOLO26自带了一张测试图（zidane.jpg），我们就拿它来演示。
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 )几个关键参数解释一下：
model：填入模型权重路径。这里用了yolo26n-pose.pt，支持姿态估计。你也可以换成yolo26n.pt做普通检测。source：输入源。可以是图片路径、视频路径，甚至是摄像头编号（比如填0就能调用本地摄像头）。save：是否保存结果。设为True会自动保存到runs/detect/predict/目录下。show：是否弹窗显示。服务器环境下建议关闭（设为False），避免图形界面报错。
保存文件后，在终端运行：
python detect.py几秒钟后，你会看到终端输出检测结果的日志，同时在runs/detect/predict/下生成带框的图片。打开看看，是不是已经标出了人物和关键点？
2.3 模型训练：用自己的数据训一个专属模型
推理搞定了，下一步更实用——训练自己的模型。
准备数据集
YOLO系列要求数据集按照特定格式组织。基本结构如下：
dataset/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ │ └── val/每张图片对应一个.txt标签文件，格式为：类别ID 中心x 中心y 宽度 高度（归一化坐标）。
然后创建data.yaml文件，告诉模型去哪里找数据：
train: ./dataset/images/train val: ./dataset/images/val nc: 80 names: ['person', 'bicycle', 'car', ...]记得把你的数据集上传到服务器，并更新data.yaml中的路径。
开始训练
创建train.py脚本：
import warnings warnings.filterwarnings('ignore') from ultralytics import YOLO if __name__ == '__main__': # 从配置文件加载模型结构 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 )参数说明：
imgsz：输入图像尺寸，640是常用值。batch：批次大小，根据显存调整。如果显存不够，可以降到64或32。epochs：训练轮数，200轮通常足够收敛。device：指定GPU设备，'0'表示第一块GPU。close_mosaic：Mosaic增强在最后10轮关闭，有助于稳定收敛。
运行训练：
python train.py训练过程中，你会看到实时输出的损失值、mAP等指标。训练完成后，最佳模型会自动保存在runs/train/exp/weights/best.pt。
2.4 结果下载：把模型带回本地
训练完的模型怎么拿回来用？很简单。
通过Xftp这类SFTP工具连接服务器，找到runs/train/exp/weights/目录，把best.pt文件拖到本地就行。
操作方式就像普通文件传输一样：
- 右边是服务器文件列表，左边是本地电脑
- 找到你要的文件，双击或拖拽即可下载
- 如果文件夹太大，建议先压缩再传，节省时间
反过来，上传数据集也是同样操作，只是方向相反。
3. 已包含资源：这些文件不用再下载
很多人卡在第一步就是因为权重文件太大、下载太慢。这个镜像贴心地帮你解决了这个问题。
在根目录下，你会发现已经有几个常用的.pt文件，比如：
yolo26n.ptyolo26n-pose.pt- 其他尺寸的变体（s/m/l/x）
这意味着你可以直接拿来推理或作为预训练权重使用，完全不用自己去HuggingFace或GitHub找链接。
如果你想换其他模型，只需要把新的.pt文件上传到项目目录，然后在代码中指向它即可。
4. 常见问题与避坑指南
虽然这个镜像已经极大简化了流程，但还是有几个容易出错的地方需要注意。
❌ 忘记激活环境
镜像启动后默认在torch25环境，而YOLO所需的包都在yolo环境里。如果你不执行：
conda activate yolo就会遇到ModuleNotFoundError: No module named 'ultralytics'这类错误。
记住：每次新开终端，第一件事就是激活环境。
❌ 在只读目录修改代码
原始代码在/root/ultralytics-8.4.2，这个路径可能是只读的。如果你直接在这里改train.py，很可能保存失败。
正确做法是：先复制到/root/workspace/再修改。
❌ batch size 设置过大
虽然镜像支持大batch训练，但具体能设多大，取决于你的GPU显存。如果出现CUDA out of memory错误，就把batch调小一点，比如从128降到64。
也可以开启cache=False来减少内存占用（虽然会稍微慢一点）。
❌ 数据路径写错
YOLO对路径很敏感。确保data.yaml里的路径是相对于train.py所在目录的。如果不确定，可以用绝对路径测试：
train: /root/workspace/dataset/images/train5. 总结：你已经掌握了YOLO26的核心流程
到这里，你已经完整走完了从环境准备到模型训练的全过程。回顾一下我们做了什么：
- 一键启动镜像，跳过了所有环境配置；
- 激活环境+复制代码，确保可修改可保存；
- 修改
detect.py，完成了第一次图像推理； - 准备数据+编写
train.py，训练了自己的模型； - 通过文件传输，把成果带回本地使用。
整个过程没有涉及任何复杂的命令行操作或底层调试，真正做到了“小白友好”。
更重要的是，这套方法不仅适用于YOLO26，未来你接触YOLO27、YOLO28或者其他Ultralytics系列模型时，也能沿用同样的流程——换模型、改数据、跑实验，效率提升十倍不止。
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。
)
