小白也能懂的YOLO26镜像使用教程，手把手教学

你是不是也遇到过这些情况：
下载了一堆YOLO相关代码，配环境配到怀疑人生；
好不容易跑通了demo，想换自己的图片却卡在路径报错；
看到“训练模型”四个字就头皮发麻，生怕一不小心把显存炸掉……

别担心。这篇教程专为零基础、没跑过深度学习、连conda activate都打错两次的新手准备。我们不讲CUDA版本怎么对齐，不聊分布式训练原理，也不提什么FP16混合精度——只说最实在的一件事：打开镜像，5分钟内让YOLO26在你的屏幕上画出检测框。

全程用大白话，每一步都有截图提示（文字已描述清楚），所有命令直接复制粘贴就能用。你唯一需要做的，就是跟着节奏，敲下回车。

1. 镜像是什么？它能帮你省掉哪些麻烦？

先说清楚一个概念：镜像不是软件，而是一台已经装好所有工具的“虚拟电脑”。
就像你买来一台新笔记本，系统、驱动、办公软件全预装好了，开机就能写文档——这个YOLO26镜像，就是一台为你量身定制的“AI检测工作站”。

它里面已经装好了：

Python 3.9.5（不用你自己装Python）
PyTorch 1.10.0 + CUDA 12.1（不用查显卡驱动兼容表）
OpenCV、NumPy、Matplotlib等常用库（不用pip install半天还报错）
Ultralytics官方代码（也就是YOLO26的源码，版本号是ultralytics-8.4.2）
预下载好的几个YOLO26模型文件（比如yolo26n-pose.pt，直接就能用）

换句话说：你不需要懂环境配置，不需要会debug依赖冲突，甚至不需要知道conda和pip的区别。只要启动镜像，你就站在了“能运行”的起跑线上。

小提醒：镜像里默认有两个环境，一个是torch25（别用），另一个是yolo（我们要用）。后面会教你一键切换，两秒钟的事。

2. 启动后第一件事：激活环境 & 把代码挪到安全位置

镜像启动成功后，你会看到一个黑底白字的终端界面（类似Windows的命令提示符）。别慌，这是你的操作台，所有动作都在这里完成。

2.1 激活YOLO专用环境

输入这一行命令（注意空格和大小写）：

conda activate yolo

按回车。如果光标闪一下，没报错，就说明成功了——你现在用的是YOLO专属环境，所有依赖都已就位。

如果提示Command 'conda' not found，说明你没启动对镜像，或者镜像加载异常，请重启镜像重试。
如果提示Could not find conda environment: yolo，请确认镜像名称是否为“最新 YOLO26 官方版训练与推理镜像”，版本必须匹配。

2.2 把代码复制到工作区（关键！否则改不了文件）

镜像启动后，YOLO的源码默认放在/root/ultralytics-8.4.2这个路径下。但这个位置是“只读区域”，你直接修改文件会失败。

所以我们要把它复制一份到可写的目录——也就是/root/workspace/，这是镜像特意为你准备的“安全编辑区”。

执行这行命令（复制整个文件夹）：

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

然后进入这个新文件夹：

cd /root/workspace/ultralytics-8.4.2

现在，你就在自己的“工作台”上了。后续所有代码修改、数据存放、模型保存，都发生在这里。

验证小技巧：输入ls回车，能看到detect.py、train.py、ultralytics/等文件和文件夹，说明进对地方了。

3. 第一次推理：让YOLO26认出图中的人

推理，就是“让模型看一张图，然后标出里面有什么”。这是你和YOLO26的第一次对话，我们用它自带的测试图zidane.jpg（一个穿蓝衣服的足球运动员）来开场。

3.1 修改 detect.py —— 只改3个地方

用你喜欢的编辑器打开detect.py（镜像里预装了nano，简单好用）：

nano detect.py

你会看到一段Python代码。我们需要改其中三处，全部用中文标注好了：

# -*- coding: utf-8 -*- from ultralytics import YOLO if __name__ == '__main__': # 【改这里1】指定你要用的模型文件名（镜像里已预装，直接写名字就行） model = YOLO(model=r'yolo26n-pose.pt') # 【改这里2】指定你要检测的图片路径（这张图就在代码文件夹里） model.predict(source=r'./ultralytics/assets/zidane.jpg', # 【改这里3】一定要设为True，否则结果不保存！ save=True, # 这个设为False，避免弹窗（服务器没图形界面，弹了也看不到） show=False, )

重点说明（小白必读）：

yolo26n-pose.pt是镜像自带的轻量级姿态检测模型，适合快速测试；
./ultralytics/assets/zidane.jpg是相对路径，意思是“当前文件夹下的ultralytics/assets文件夹里的zidane.jpg”；
save=True表示把画好框的图自动保存到runs/detect/predict/文件夹里；
show=False是必须的，因为服务器没有桌面环境，设成True会报错。

改完后，按Ctrl+O→ 回车（保存），再按Ctrl+X（退出nano）。

3.2 运行推理，看结果在哪

在终端里输入：

python detect.py

回车后，你会看到一串滚动的日志，类似：

Ultralytics 8.4.2 Python-3.9.5 torch-1.10.0+cu121 CUDA:0 (Tesla T4) ... Results saved to runs/detect/predict

成功标志：最后一行出现Results saved to runs/detect/predict。

那张带检测框的图就存在这个文件夹里了。我们去看看：

ls runs/detect/predict/

你应该能看到一个zidane.jpg文件（就是原图加了框的结果）。想下载到本地？继续看下一节。

4. 下载结果图：用Xftp拖拽，3秒搞定

镜像运行在远程服务器上，你本地看不到图片。但别担心，用Xftp（或其他SFTP工具）就能像拖文件一样拿下来。

操作步骤超简单：

打开Xftp，新建连接（主机填服务器IP，用户名root，密码是你设置的）；
连接成功后，右边是服务器文件列表，左边是你本地电脑；
在右边找到路径：
/root/workspace/ultralytics-8.4.2/runs/detect/predict/zidane.jpg
鼠标左键按住它，往左边（你的本地文件夹）拖过去，松手→ 自动开始下载；
下载完成后，双击打开，你就会看到YOLO26画出的蓝色人体框和关键点连线！

小技巧：如果要下载整个文件夹（比如训练完的模型），直接拖拽predict/文件夹即可；如果只是单个文件，双击它也会自动下载。

5. 训练自己的模型：从准备数据到跑通第一轮

训练 = “教YOLO26认识你想要检测的东西”。比如你想让它识别产线上的螺丝、或者果园里的苹果，就得给它看几百张带标注的图。

我们分三步走：准备数据 → 写配置 → 开始训练。每一步都控制在2分钟内完成。

5.1 数据准备：YOLO格式长什么样？

YOLO要求数据是这种结构：

my_dataset/ ├── images/ │ ├── train/ │ │ ├── img1.jpg │ │ └── img2.jpg │ └── val/ │ ├── img3.jpg └── labels/ ├── train/ │ ├── img1.txt │ └── img2.txt └── val/ ├── img3.txt

每个.txt文件里，一行代表一个物体，格式是：

类别编号 中心x(归一化) 中心y(归一化) 宽度(归一化) 高度(归一化)

举个例子：0 0.45 0.62 0.21 0.33表示第0类物体（比如“苹果”），在图中位置和大小。

新手友好方案：
用CVAT或LabelImg这类免费工具标注，导出时选“YOLO”格式，它会自动生成符合要求的images/和labels/文件夹。

5.2 编写 data.yaml：告诉YOLO“你教它认什么”

在/root/workspace/ultralytics-8.4.2/目录下，新建一个文件叫data.yaml（用nano）：

nano data.yaml

写入以下内容（按你实际数据修改）：

train: ./my_dataset/images/train val: ./my_dataset/images/val nc: 1 # 类别数量，比如只有“苹果”，就写1；有“苹果”和“梨”，就写2 names: ['apple'] # 类别名字，顺序必须和nc一致，用英文、小写、无空格

注意：

train和val路径必须是相对于 data.yaml 文件的位置；
如果你的数据集不在ultralytics-8.4.2文件夹里，比如放在/root/dataset/，那就写成/root/dataset/images/train；
names里的名字，后面训练日志和结果图上都会显示，务必写对。

保存退出（Ctrl+O → 回车 → Ctrl+X）。

5.3 修改 train.py：填对3个关键参数

打开train.py：

nano train.py

找到model.train(...)这一行，确保这几个参数填对：

model.train( data=r'data.yaml', # 指向你刚写的配置文件 imgsz=640, # 输入图像统一缩放到640×640（YOLO26推荐值） epochs=50, # 先跑50轮试试水（足够看出效果） batch=32, # 根据显存调整：T4卡建议16~32，A100可到128 device='0', # 单卡训练填'0'；双卡填'0,1'；不填则自动选 project='runs/train', # 结果默认存这里，不用改 name='my_apple_exp', # 给这次训练起个名字，方便区分 )

小白避坑指南：

batch=32是平衡速度和显存的安全值，如果你显存小（<12GB），改成16；
device='0'不要写成0（数字）或'gpu0'（字符串错误），必须是'0'；
project和name合起来就是保存路径：runs/train/my_apple_exp/，训练完去这里找模型。

保存退出。

5.4 开始训练：盯住进度条，5分钟见真章

回到终端，执行：

python train.py

你会看到类似这样的输出：

Epoch GPU_mem box_loss cls_loss dfl_loss ... Instances Size 0/49 3.2G 0.82111 0.41022 0.76543 ... 124 640 1/49 3.2G 0.79201 0.39876 0.74210 ... 131 640

正常标志：每行开头是Epoch x/xx，中间有数字在跳，最后是Size 640。

训练过程中，你可以随时按Ctrl+C中断（不会丢数据，下次可resume=True接着训）。

训练结束后，模型文件会保存在：

runs/train/my_apple_exp/weights/best.pt

这就是你亲手训练出来的第一个YOLO26模型！把它复制到detect.py里，就能检测你自己的图了。

6. 常见问题快查（新手90%的问题都在这）

问题现象	原因	解决方法
`conda activate yolo`报错找不到环境	镜像没启动对，或环境名输错	确认镜像名称，重新启动；输入`conda env list`查看真实环境名
`python detect.py`报`ModuleNotFoundError: No module named 'ultralytics'`	没激活yolo环境，或路径没进对	先`conda activate yolo`，再`cd /root/workspace/ultralytics-8.4.2`
推理结果图没生成，`runs/detect/`下为空	`save=False`或路径写错	检查`detect.py`里`save=True`，且`source`路径存在
训练时报错`FileNotFoundError: data.yaml`	`data.yaml`不在当前目录，或路径写错	用`pwd`确认当前路径，用`ls data.yaml`看文件是否存在
训练时显存爆了（OOM）	`batch`太大	把`batch=32`改成`16`或`8`，再试
Xftp拖拽没反应	服务器防火墙拦截SFTP，或路径权限不足	用`chmod -R 755 /root/workspace`开放权限；检查Xftp端口是否为22