YOLO26来了，更好、更快、更小的 YOLO 模型，使用YOLO26训练自己的数据集和推理(附YOLO26网络结构图)，租用 GPU 服务器训练教程，YOLO26创新点解析

目录

• 摘要
• YOLO26更新点
• • ⚡⚡C3k2 小优化
  • • ☑️ YOLO26 C3k2代码
    • ☑️ YOLO11 C3k2代码
  • ⚡⚡移除分布焦点损失（DFL）
  • ⚡⚡端到端、无需 NMS 推理
  • ⚡⚡ProgLoss 与 STAL
  • • ☑️ProgLoss
    • ☑️STAL （小目标感知标签分配）
  • ⚡⚡MuSGD优化器
• 从机器人到制造业：YOLO26 的用例
• 🐴一、YOLO26 源码下载与模型下载
• • ⚡⚡YOLO26模型结构图
  • ⚡⚡1.源码下载
  • ⚡⚡2.官网的预训练模型下载
• 🐴二、数据集准备
• • ⚡⚡LabelImg & Labelme
  • • ☑️ LabelImg（仅限矩形检测框）
    • ☑️ Labelme
  • ⚡⚡ X-AnyLabeling
  • ⚡⚡ 旋转框 (OBB) 标注工具：roLabelImg
  • ⚡⚡1.目标检测数据集标注软件
  • ⚡⚡2.voc数据集格式转换
  • ⚡⚡3.数据集划分
  • ⚡⚡4.修改yolo的训练配置文件
• 🐴三、YOLO环境配置教程
• • ⚡⚡1.pytorch环境安装
  • ⚡⚡2.其他依赖安装
• 🐴四、YOLO26训练
• • ⚡⚡本地训练
  • ⚡⚡租用 GPU 服务器训练 （AutoDL 平台）
  • ⚡⚡租用 CSDN 的星图 AI 训练，博主已经配置好 YOLO 训练和推理的环境（星图 AI 平台）
  • • ☑️4.1 激活环境与切换工作目录
    • ☑️4.2 模型推理
    • ☑️4.3 模型训练
    • ☑️4.4 下载数据
    • ☑️4.5 已包含权重文件
    • ☑️4.6 常见问题
    • ☑️4.7 参考资料
  • 📗📗Xshell7 和 Xftp7 安装
  • 📗📗Xftp 连接服务器，上传数据与下载数据
  • 📗📗Xftp 双击“此电脑“强制退出并弹窗“Error Report“，Program has stoppedworking窗口
  • 📗📗Xshell 连接服务器
• 🐴五、YOLO26推理
• 🐴六、解决训练过程中断怎么继续上次训练
• 总结

摘要

9 月低，在 YV25 发布会上，正式宣布了 YOLO26，从官网文档中得知最新的 YOLO26 推理速度更快、准确性更高和更容易部署，简单来说，YOLO26 是一个更好、更快、更小的视觉 AI 模型。YOLO26 在 2026年1月14日 正式发布。下图（摘自Ultralytics官网）是不同目标检测模型在 COCO 数据集上的精度（mAP） 对比结果，可以看出 YOLO26 的检测精度最高。

YOLO26更新点

官网给出的更新点如下：

以下是 YOLO26 创新点：

• 移除 DFL 模块：作者从模型架构中移除了分布焦点损失（DFL）模块。无论图像中目标尺寸如何，YOLO26 都能高效运行，同时生成量身定制的边界框。

• 端到端、无需 NMS 的推理：YOLO26 新增了一种可选模式，无需执行非极大值抑制（NMS）——这一步骤通常用于消除重复预测，从而使实时应用中的部署更简单、更快速。

• ProgLoss 与 STAL：通过改进的损失函数，官网说了提升了训练稳定性，并大幅度增强了检测精度，在复杂场景中对小目标的识别能力更强。

• MuSGD 优化器：YOLO26 采用了一种新型优化器，融合了 Muon 和 SGD 两种优化器的优势，帮助模型更快学习并达到更高精度。

官网说，YOLO26 最小的版本在标准 CPU 上的运行速度最高提升了 43%，在没有 GPU 的设备上速度也是杠杠的，特别适合对速度和效率要求极高的移动应用、智能摄像头及其他边缘设备。

⚡⚡C3k2 小优化

代码在 ultralytics/nn/modules/block.py 文件里面打开文件后，用快捷键 Ctrl + F 搜索 C3k2 就可以找到

YOLO26 C3k2 多了一个分支，那就是 Bottleneck + PSA ，剩下跟 YOLO11 一样

模型配置文件的参数可以看出，YOLO26 配置文件的 args 参数传入了两个 True，即走第一个分支 ：

☑️ YOLO26 C3k2代码

class C3k2(C2f):
"""Faster Implementation of CSP Bottleneck with 2 convolutions."""

def __init__(
self,
c1: int,
c2: int,
n: int = 1,
c3k: bool = False,
e: float = 0.5,
attn: bool = False,
g: int = 1,
shortcut: bool = True,
):
"""Initialize C3k2 module.

Args:
c1 (int): Input channels.
c2 (int): Output channels.
n (int): Number of blocks.
c3k (bool): Whether to use C3k blocks.
e (float): Expansion ratio.
attn (bool): Whether to use attention blocks.
g (int): Groups for convolutions.
shortcut (bool): Whether to use shortcut connections.
"""
super().__init__(c1, c2, n, shortcut, g, e)
self.m = nn.ModuleList(
nn.Sequential(
Bottleneck(self.c, self.c, shortcut, g),
PSABlock(self.c, attn_ratio=0.5, num_heads=max(self.c // 64, 1)),
)
if attn
else C3k(self.c, self.c, 2, shortcut, g)
if c3k
else Bottleneck(self.c, self.c, shortcut, g)
for _ in range(n)
)

☑️ YOLO11 C3k2代码

class C3k2(C2f):
"""Faster Implementation of CSP Bottleneck with 2 convolutions."""

def __init__(self, c1, c2, n=1, c3k=False, e=0.5, g=1, shortcut=True):
"""Initializes the C3k2 module, a faster CSP Bottleneck with 2 convolutions and optional C3k blocks."""
super().__init__(c1, c2, n, shortcut, g, e)
self.m = nn.ModuleList(C3k(self.c, self.c, 2, shortcut, g) if c3k else Bottleneck(self.c, self.c, shortcut, g) for _ in range(n))

⚡⚡移除分布焦点损失（DFL）

代码在 ultralytics/utils/loss.py 文件里面打开文件后，用快捷键 Ctrl + F 搜索 BboxLoss 就可以找到

YOLO26 配置文件的设置 reg_max = 1 控制是否移除分布焦点损失（DFL） 从代码来看，走的分支是 L1 损失（平均绝对误差） ，应该是为了提升速度，而DFL 目的是提高模型精度，它是通过 reg_max 分布值提高定位精度，但会增加计算量。

⚡⚡端到端、无需 NMS 推理

YOLO26 有点类似 YOLOv10 的双标签分配思路，也是实现 “无 NMS 后处理” 的端到端检测。在训练时都同时使用两个分支，推理时只有 One-to-One：

• One-to-Many (一对多)：一个真实物体会对应多个预测框作为正样本，提升模型对复杂场景的鲁棒性。
• One-to-One (一对一)：让一个目标只对应一个预测框，无须 NMS（非极大值抑制）后处理，大幅降低推理延迟。

可以去 ultralytics/nn/modules/head.py 查看 后处理在 ultralytics/utils/nms.py 文件的 non_max_suppression 方法，大家去看看就行

⚡⚡ProgLoss 与 STAL

☑️ProgLoss

ProgLoss 在 ultralytics/utils/loss.py 文件 E2ELoss 类里面

ProgLoss 大概思路就是在训练过程中，动态调整一对多 (One-to-Many)分支和一对一 (One-to-One)分支的损失权重。在训练初期侧重一对多以快速提取特征，在训练后期侧重一对一以实现无 NMS，从代码可以看出 动态衰减逻辑如下：

☑️STAL （小目标感知标签分配）

对于小目标，候选锚点质量不稳定。STAL 通过先用较大的 topk 覆盖潜在区域，再用 topk2 精准锁定最匹配的那个锚点。在 YOLO26 中对极小目标处理就是：如果目标太小，将其宽高放大到第二个步长的大小进行候选筛选，在 ultralytics/utils/tal.py 文件 select_candidates_in_gts 方法核心代码如下： STAL 配合 ProgLoss（渐进式损失），在训练不同阶段，实现分配器对小目标的分类分值和定位精度有不同的偏好。一句话就是提高模型在小目标或被遮挡目标的检测精度。

⚡⚡MuSGD优化器

MuSGD优化器代码在 ultralytics/optim/muon.py ，MuSGD 将 Muon 和 SGD 结合一起，两个比重各占一半。

• Muon 部分：负责结构化更新，用 Newton-Schulz 迭代对梯度进行正交化处理，这是在大模型（如 LLM）中常用的处理方法，应该是防止梯度消失或爆炸，整体上实现更稳定的训练和更快的收敛速度。
• SGD 部分：采用随机梯度下降 SGD ，提高计算效率。

好了 YOLO26 创新点解析到此结束，个人观点仅供参考，文中有错误欢迎各位大佬和观众指正。

从机器人到制造业：YOLO26 的用例

YOLO26 支持的任务如下：

YOLO26模型可用于缺陷检测，与人工检测相比，它可以更快、更准确地自动识别生产线上的缺陷。以下图（摘自Ultralytics官网）使用 YOLO26 检测工业瓶子：

🐴一、YOLO26 源码下载与模型下载

⚡⚡YOLO26模型结构图

yolov11.yaml 和 yolo26.yaml 几乎一样，更多细节体现在代码里面，结构图如下图所示：

⚡⚡1.源码下载

官网的源码下载地址 ：官网源码，下载方式如下图，目前我下载版本为 ultralytics-8.4.2

如果官网打不开的话，我已经下载好 YOLO26 源码+预训练模型+训练脚本+推理脚本+训练测试数据集+数据集处理脚本，从文章末尾的公众号发送关键字 ：YOLO26源码 ，即可获取完整源码

⚡⚡2.官网的预训练模型下载

进入官网，往下面拉，看到模型位置，YOLO26 针对不同的场景和应用提供了 YOLO26n、YOLO26n-cls、YOLO26n-seg、YOLO26n-pose、YOLO26n-obb等不同大小的模型，具体看官网提供的，需要下载哪个，鼠标左键单击下载就行。

🐴二、数据集准备

在 YOLO 系列任务中，不同的任务（Detection, Segmentation, Keypoints, OBB）对标注格式有不同要求。我主要使用目标检测比较多，也可以在网上使用比较好用的标注自己搜索就行，下面分析主流的标注工具，有好的标注工具大家也可以推荐一下。

⚡⚡LabelImg & Labelme

☑️ LabelImg（仅限矩形检测框）

• 适合的任务：目标检测 (Detection)
• 优点：小巧、原生支持 YOLO 格式（.txt）。
• 教程：
• 安装：pip install labelimg
• 启动：在终端输入 labelimg。
• 配置：左侧工具栏选择 “YOLO” 格式。
• 操作：按 W 绘制框，A 前一张，D 后一张。
• 注意：生成的 classes.txt 必须与图片放在一起。

☑️ Labelme

• 适配任务：语义/实例分割 (Segmentation)、关键点、目标检测。
• 优点：支持多边形绘制等。
• 教程：
• 安装：pip install labelme
• 启动：终端输入 labelme。
• 操作：点击 “Create Polygons” 勾勒物体轮廓。
• 导出：保存为 .json 文件。
• YOLO转换：YOLO 无法直接用 JSON，需使用脚本将 Labelme JSON 转换为 YOLO Segmentation 格式（x1 y1 x2 y2… 归一化坐标）。

⚡⚡ X-AnyLabeling

听说这是目前开发者社区最喜欢的工具，集成了大量的自动标注模型，简直是解放双手。

• 适配任务：检测、分割、关键点、OBB (旋转框)。
• 核心优势：自动标注。内置了 Segment Anything (SAM)、YOLOv8、RT-DETR 等模型，点一下就能自动抠图。
• 教程：
• 下载：去 GitHub 下载编译好的 .exe 或源码。
• 加载模型：点击左侧机器人图标，选择 “Segment Anything” 或其他预训练模型。
• 标注 OBB：支持绘制旋转矩形，直接导出为 YOLO OBB 格式。
• 导出：直接支持多种格式（JSON, YOLO, VOC）。

⚡⚡ 旋转框 (OBB) 标注工具：roLabelImg

• 适合的任务：旋转目标检测 (Oriented Bounding Box)。
• 场景：常用于遥感影像、倾斜文本、紧密排列的物体。
• 教程：
• 安装：需要从 GitHub 克隆源码编译。
• 操作：按 Z X C V 等快捷键调整矩形框的角度。
• 输出：通常输出 XML，需转换成 YOLO OBB 的格式（x1 y1 x2 y2 x3 y3 x4 y4）。

除了上述主流工具，也有一些非常实用的工具：

大家根据需求选择合适标注工具就行

⚡⚡1.目标检测数据集标注软件

我的数据是目标检测多，目标检测数据集标注我这里推荐两个标注软件，一个是 labelimg，另外一个是 labelme，可以在python环境，使用 pip install labelimg 或者 pip install labelme 进行安装，看你选择哪个标注工具标注了，我使用 labelimg 标注工具

安装完成在终端输入命令启动标注软件 下面是软件界面 设置自动保存标注生成的标注文件

⚡⚡2.voc数据集格式转换

标注格式如果选择VOC格式，后面需要代码转换格式，如果选择yolo格式就不用转换，voc格式转换yolo格式代码如下：

import xml.etree.ElementTree as ET
import os, cv2
import numpy as np
from os import listdir
from os.path import join

classes = []

def convert(size, box):
dw = 1. / (size[0])
dh = 1. / (size[1])
x = (box[0] + box[1]) / 2.0 – 1
y = (box[2] + box[3]) / 2.0 – 1
w = box[1] – box[0]
h = box[3] – box[2]
x = x * dw
w = w * dw
y = y * dh
h = h * dh
return (x, y, w, h)

def convert_annotation(xmlpath, xmlname):
with open(xmlpath, "r", encoding='utf-8') as in_file:
txtname = xmlname[:–4] + '.txt'
txtfile = os.path.join(txtpath, txtname)
tree = ET.parse(in_file)
root = tree.getroot()
filename = root.find('filename')
img = cv2.imdecode(np.fromfile('{}/{}.{}'.format(imgpath, xmlname[:–4], postfix), np.uint8), cv2.IMREAD_COLOR)
h, w = img.shape[:2]
res = []
for obj in root.iter('object'):
cls = obj.find('name').text
if cls not in classes:
classes.append(cls)
cls_id = classes.index(cls)
xmlbox = obj.find('bndbox')
b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text),
float(xmlbox.find('ymax').text))
bb = convert((w, h), b)
res.append(str(cls_id) + " " + " ".join([str(a) for a in bb]))
if len(res) != 0:
with open(txtfile, 'w+') as f:
f.write('\\n'.join(res))

if __name__ == "__main__":
postfix = 'png' # 图像后缀
imgpath = r'E:\\A-毕业设计代做数据\\helmet\\test\\images' # 图像文件路径
xmlpath = r'E:\\A-毕业设计代做数据\\helmet\\test\\annotations' # xml文件文件路径
txtpath = r'E:\\A-毕业设计代做数据\\helmet\\test\\labels' # 生成的txt文件路径

if not os.path.exists(txtpath):
os.makedirs(txtpath, exist_ok=True)

list = os.listdir(xmlpath)
error_file_list = []
for i in range(0, len(list)):
try:
path = os.path.join(xmlpath, list[i])
if ('.xml' in path) or ('.XML' in path):
convert_annotation(path, list[i])
print(f'file {list[i]} convert success.')
else:
print(f'file {list[i]} is not xml format.')
except Exception as e:
print(f'file {list[i]} convert error.')
print(f'error message:\\n{e}')
error_file_list.append(list[i])
print(f'this file convert failure\\n{error_file_list}')
print(f'Dataset Classes:{classes}')

代码需要修改的地方如下：

⚡⚡3.数据集划分

划分训练集、验证集、测试集代码如下：

# -*- coding: utf-8 -*-
"""
@Auth ：落花不写码
@File ：split_yolo_train_val_test.py
@IDE ：PyCharm
@Motto :学习新思想，争做新青年
"""
import os
import shutil
from sklearn.model_selection import train_test_split
from pathlib import Path

test_ratio = 0.6 # 测试集比例
val_ratio = 0.1 # 验证集比例
imgpath = r'E:\\5-dataset\\mask\\images' # 图片路径
txtpath = r'E:\\5-dataset\\mask\\labels' # 标签路径

BASE_DIR = Path(r'E:\\5-dataset\\mask\\dataset-mask') # 输出目录

SUPPORTED_IMG_EXTS = ['.jpg', '.jpeg', '.png']

folders = {
'train': {'img': BASE_DIR / 'images' / 'train', 'lbl': BASE_DIR / 'labels' / 'train'},
'val': {'img': BASE_DIR / 'images' / 'val', 'lbl': BASE_DIR / 'labels' / 'val'},
'test': {'img': BASE_DIR / 'images' / 'test', 'lbl': BASE_DIR / 'labels' / 'test'},
}

for f in folders.values():
f['img'].mkdir(parents=True, exist_ok=True)
f['lbl'].mkdir(parents=True, exist_ok=True)

txt_files = [f for f in os.listdir(txtpath) if f.endswith('.txt')]

def find_image_file(stem, img_dir, exts):
for ext in exts:
img_path = os.path.join(img_dir, stem + ext)
if os.path.exists(img_path):
return img_path, ext
return None, None

paired_files = []
missing_imgs = []

for txt_file in txt_files:
stem = txt_file[:–4]
img_file, _ = find_image_file(stem, imgpath, SUPPORTED_IMG_EXTS)
if img_file:
paired_files.append((txt_file, img_file))
else:
missing_imgs.append(txt_file)

if missing_imgs:
print(f"{len(missing_imgs)} 个标签文件找不到对应图像，例如：{missing_imgs[:3]}")

txt_list = [pair[0] for pair in paired_files]
trainval_txt, test_txt = train_test_split(txt_list, test_size=test_ratio, random_state=42)
relative_val_ratio = val_ratio / (1 – test_ratio)
train_txt, val_txt = train_test_split(trainval_txt, test_size=relative_val_ratio, random_state=42)

split_map = {}
for t in train_txt:
split_map[t] = 'train'
for v in val_txt:
split_map[v] = 'val'
for te in test_txt:
split_map[te] = 'test'

def copy_file_pair(txt_file, img_file, split):
# 目标路径
dst_img = folders[split]['img'] / os.path.basename(img_file)
dst_lbl = folders[split]['lbl'] / txt_file

shutil.copy(img_file, dst_img)
shutil.copy(os.path.join(txtpath, txt_file), dst_lbl)

for txt_file, img_file in paired_files:
split = split_map[txt_file]
copy_file_pair(txt_file, img_file, split)

total_files = len(paired_files)
print(f"训练集: {len(train_txt)}")
print(f"验证集: {len(val_txt)} ")
print(f"测试集: {len(test_txt)} ")
print("数据集已保存到:", BASE_DIR)

需要修改的地方如下 划分出来如下图这样的格式

数据集有以下两种方式放置，都可以进行训练，常见的数据集放置是第一种，也有开源的数据集按照第二种方式放置的，我都遇见过，也能训练起来

⚡⚡4.修改yolo的训练配置文件

我们需要在项目下创建一个data.yaml的文件，文件名根据数据集名称取，我这里方便演示直接叫data.yaml，如下图所示

代码如下：

train: E:\\Desktop\\new–yolov9\\yolotest\\images\\train # train images (relative to 'path') 4 images
val: E:\\Desktop\\new–yolov9\\yolotest\\images\\val # val images (relative to 'path') 4 images

nc: 2

# class names
names: ['dog','cat']

🐴三、YOLO环境配置教程

YOLO26/YOLOv11/YOLOv10/YOLOv9/YOLOv8/YOLOv7/YOLOv5 环境都是通用的，只需要安装一次就行

⚡⚡1.pytorch环境安装

抖音：☑️☑️☑️手把手安装YOLO环境教程 1（非常推荐）链接参考链接: YOLO环境配置教程视频，YOLO环境在4分53秒开始

b站：☑️☑️☑️手把手安装YOLO环境教程 1（非常推荐）链接参考链接: YOLO环境配置教程视频，YOLO环境在4分53秒开始

备用： 手把手pytorch安装教程 2 链接参考链接: pytorch环境安装教程视频

如果已经配置好环境可以忽略此步骤

⚡⚡2.其他依赖安装

安装requirements.txt文件的环境，需要注释掉下面两行，前面的步骤已经安装了，不注释的话会覆盖前面的会安装最新版本的pytorch，所以注释掉

没有这个文件可以自己新建一个requirements.txt，然后把下面代码复制进去就好了

# Ultralytics requirements
# Example: pip install -r requirements.txt

# Base —————————————-
matplotlib>=3.3.0
numpy==1.24.4 # pinned by Snyk to avoid a vulnerability
opencv–python>=4.6.0
pillow>=7.1.2
pyyaml>=5.3.1
requests>=2.23.0
scipy>=1.4.1
tqdm>=4.64.0

# Logging ————————————-
# tensorboard>=2.13.0
# dvclive>=2.12.0
# clearml
# comet

# Plotting ————————————
pandas>=1.1.4
seaborn>=0.11.0

# Export ————————————–
# coremltools>=7.0 # CoreML export
# onnx>=1.12.0 # ONNX export
# onnxsim>=0.4.1 # ONNX simplifier
# nvidia-pyindex # TensorRT export
# nvidia-tensorrt # TensorRT export
# scikit-learn==0.19.2 # CoreML quantization
# tensorflow>=2.4.1 # TF exports (-cpu, -aarch64, -macos)
# tflite-support
# tensorflowjs>=3.9.0 # TF.js export
# openvino-dev>=2023.0 # OpenVINO export

# Extras ————————————–
psutil # system utilization
py–cpuinfo # display CPU info
thop>=0.1.1 # FLOPs computation
# ipython # interactive notebook
# albumentations>=1.0.3 # training augmentations
# pycocotools>=2.0.6 # COCO mAP
# roboflow

在终端输入下面命令即可，不懂的话参考视频教学

pip install –r requirements.txt

🐴四、YOLO26训练

⚡⚡本地训练

(1)在根目录新建一个 python 文件，取名为：train.py，如果之前看过我的文章，已经新建过就不用重新新建了

(2)把训练代码复制到 train.py 文件，如果之前看过我的文章，已经复制过了就不用重新复制了，只需修改参数就行 训练的代码如下：

# -*- 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=r'D:\\1-Python\\1-YOLO\\YOLO26\\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=50,
batch=4,
workers=0,
device='',
optimizer='SGD',
close_mosaic=10,
resume=False,
project='runs/train',
name='exp',
single_cls=False,
cache=False,
)

注意注意注意：模型配置路径改成你自己的路径，还有数据集配置文件也修改成你自己的路径

训练代码的参数解释：

• model参数：该参数填入模型配置文件的路径，改进的话建议不需要填预训练模型权重
• data参数：该参数可以填入训练数据集配置文件的路径
• imgsz参数：该参数代表输入图像的尺寸，指定为 640×640 像素
• epochs参数：该参数代表训练的轮数
• batch参数：该参数代表批处理大小，电脑显存越大，就设置越大，根据自己电脑性能设置
• workers参数：该参数代表数据加载的工作线程数，出现显存爆了的话可以设置为0，默认是8
• device参数：该参数代表用哪个显卡训练，留空表示自动选择可用的GPU或CPU
• optimizer参数：该参数代表优化器类型
• close_mosaic参数：该参数代表在多少个 epoch 后关闭 mosaic 数据增强
• resume参数：该参数代表是否从上一次中断的训练状态继续训练。设置为False表示从头开始新的训练。如果设置为True，则会加载上一次训练的模型权重和优化器状态，继续训练。这在训练被中断或在已有模型的基础上进行进一步训练时非常有用。
• project参数：该参数代表项目文件夹，用于保存训练结果
• name参数：该参数代表命名保存的结果文件夹
• single_cls参数：该参数代表是否将所有类别视为一个类别，设置为False表示保留原有类别
• cache参数：该参数代表是否缓存数据，设置为False表示不缓存。

注意注意注意：一般做科研改进工作时候可以不用预训练权重，因为用预训练模型整体精度很难提高

我这里演示加载预训练权重，训练输出如下所示：

⚡⚡租用 GPU 服务器训练 （AutoDL 平台）

一切深度学习、AI 大模型、YOLO、机器学习等模型可以参考下面这篇教程训练模型

本地训练不起来，参考下面的教程，通用的租用 GPU 训练教程： AutoDL使用教程，以PaddleOCR在服务器训练为例子，使用AI远程服务器训练深度学习、多模态、AI大模型训练等，包括Xshell和Xftp安装、服务器环境配置等，linux常用命令，超w字教程

⚡⚡租用 CSDN 的星图 AI 训练，博主已经配置好 YOLO 训练和推理的环境（星图 AI 平台）

本地训练不起来，可以使用星图 AI 训练，YOLO 训练环境已经配置好了，部署我的镜像即可使用： YOLO26 训练和推理镜像

注意：该镜像可以训练 YOLOv8、YOLOv11、YOLO26，只需上传数据集就行，环境已经配置好了

使用教程如下：

点击我的链接跳转到我配置好的镜像，之后在下面这个界面取消自动续费，根据需求租多久就行，最后点击立即部署 之后在我的算力，启动 jupyter 启动完是这样的

☑️4.1 激活环境与切换工作目录

在使用前，请先激活的 Conda 环境，命令如下：

conda activate yolo

镜像启动后，默认代码存放在系统盘。为了方便修改代码，请先将代码文件夹复制到数据盘，命令如下：

cp –r /root/ultralytics–8.4.2 /root/workspace/

之后进入代码目录：

cd /root/workspace/ultralytics-8.4.2

☑️4.2 模型推理

修改 detect.py 文件，如下图所示：

# -*- 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,
)

推理代码的参数解释 1.model参数：该参数可以填入模型文件路径 2.source参数：该参数可以填入需要推理的图片或者视频路径，如果打开摄像头推理则填入0就行 3.save参数：该参数填入True，代表把推理结果保存下来，默认是不保存的，所以一般都填入True 4.show参数：该参数填入True，代表把推理结果以窗口形式显示出来，默认是显示的，这个参数根据自己需求打开就行，不显示你就填 False 就行

使用以下命令测试推理效果：

python detect.py

推理结果终端会显示的，自己去查看即可。

☑️4.3 模型训练

模型训练还需要修改 data.yaml 数据集配置文件，需要自己上传 YOLO 格式数据集，并在 data.yaml 中修改对应的路径。示例如下：

data.yaml 参数解析如图所示：

之后修改 train.py 文件，如下图所示：

我的 train.py 文件代码如下，参考一下：

# -*- 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,
)

修改完成后，在终端使用以下命令训练自己的模型：

python train.py

训练过程如下，会输出保存的结果路径在哪里的，自己去查看和下载就行

☑️4.4 下载数据

服务器训练完，会保存模型，下载到本地就可以拿去用了，通过 Xftp 拖拉拽下载文件夹/文件，从 右边拖拽 文件夹/文件到左边的文件夹就行，文件的话可以鼠标双击就可以下载了，一般数据集比较大压缩后在下载，节约下载时间，反正上传和下载数据操作一样，只是拖拉拽方向不同。 双击传输的任务，就可以看到传输状态了

☑️4.5 已包含权重文件

镜像内已预下载权重文件，放置在代码的跟目录下，如下图所示

☑️4.6 常见问题

• 数据集准备: 请将您的数据集按照 YOLO 格式组织，并在 data.yaml 中修改对应的路径。
• 环境激活: 镜像启动后默认进入 torch25 环境，请务必执行 conda activate yolo 切换环境。

☑️4.7 参考资料

• 官方仓库: ultralytics/ultralytics
• 文档说明: 详细用法请参考官方库中的 README.md。

📗📗Xshell7 和 Xftp7 安装

免安装版，下载链接： 软件包，下载完，可以把 Xshell 和 Xftp 发送到桌面快捷方式，可以点击 Xshell.exe 和 Xftp.exe 打开软件 关闭 Xftp 自动检测更新

📗📗Xftp 连接服务器，上传数据与下载数据

开机实例后，找到 SSH 登录指令，复制登录指令为(具体请以您的实例为准)：ssh -p 44562 root@gpu-oabg4p85su.ssh.gpu.csdn.net（这个只有你自己知道，不要泄露）， 44562 是端口号，root 是用户名 ，gpu-oabg4p85su.ssh.gpu.csdn.net 就是远程服务器主机的地址，知道这些后面通过工具连接要用到

点击新建

窗口填写规则： 名称：随便取，方便记住就行 主机：远程服务器主机的地址，如服务器的 ip 地址、gpu-oabg4p85su.ssh.gpu.csdn.net（服务器地址） 端口号：远程服务器主机的端口号 协议：记得选择 SFTP 用户名：远程服务器主机的用户名，一般是 root 密码：远程服务器主机的登录的密码

连接成功，就可以在从左边窗口是本地，右边是服务器，可以通过拖拽方式 上传/下载 数据

📗📗Xftp 双击“此电脑“强制退出并弹窗“Error Report“，Program has stoppedworking窗口

在 Win11 系统，使用 XFtp 7 版本，双击“此电脑”图标会导致程序崩溃自动退出，并弹出错误对话框。 解决 Xftp 双击“此电脑“强制退出并弹窗“Error Report“，Program has stoppedworking 窗口

如果此电脑下存在百度网盘快捷方式、迅雷等其他，则需要关闭

再次点击 “此电脑” 就可以正常开启了

📗📗Xshell 连接服务器

开机实例后，找到 SSH 登录指令，复制登录指令为(具体请以您的实例为准)：ssh -p 44562 root@region-1.autodl.com（这个只有你自己知道，不要泄露）， 44562 是端口号，root 是用户名 ，region-1.autodl.com 就是远程服务器主机的地址，知道这些后面通过工具连接要用到 由于 XShell 命令格式较特殊，需要您手动修改格式为:

ssh root@region–1.autodl.com 44562

即将端口号置于末尾，无需添加 -p 参数。官方的例子如下：

如果已经配置了 SSH 登录，那么可以使用 XShell 提供的 xftp 进行文件传输，方式如下：

🐴五、YOLO26推理

我的源码包已经下载好了模型了，如果需要其他权重自行下载就行

（2）在根目录新建一个 python 文件，取名为：detect.py （3）把推理代码复制到 detect.py 文件 注意注意注意：模型路径改成你自己的路径，还有预测图像也改成你自己的路径 推理的代码如下：

# -*- 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-seg.pt')
model.predict(source=r'D:\\1-Python\\1-YOLO\\YOLO26\\ultralytics-8.4.2\\ultralytics\\assets\\bus.jpg',
save=True,
show=False,
)

推理代码的参数解释

关键点模型推理结果如下：

分割模型推理结果如下： 目标检测模型推理结果如下：

🐴六、解决训练过程中断怎么继续上次训练

在训练过程不小心中断了，那怎么继续上次的训练了，这里先不慌，官网也的代码写得非常好，它有这个断点训练功能，那么 YOLOv8 v10 v11 26 处理的方法都是一模一样，接下来直接看图操作就行：

• model参数：该参数填入上次中断的模型，为 last.pt

• resume参数：该参数设置为True，则会加载上一次训练的模型权重和优化器状态，继续训练。

总结

YOLO26 跟 YOLO11、YOLOv8 改进方法基本一样，改进和系统项目持续更新中，有问题可以留言，创作不易，请帮忙点个爱心呗，谢谢