YOLO26官方镜像体验预装环境完整代码5分钟跑通推理1. 镜像环境与准备工作1.1 预装环境说明这个YOLO26官方镜像已经为我们准备好了所有必要的开发环境省去了繁琐的配置过程。主要包含以下组件深度学习框架PyTorch 1.10.0 TorchVision 0.11.0CUDA支持CUDA 12.1 cuDNN 8.2.0Python环境Python 3.9.5常用工具库OpenCV、NumPy、Pandas等镜像启动后我们需要先激活预配置的conda环境conda activate yolo1.2 项目目录设置默认代码存放在系统盘建议复制到数据盘进行操作cp -r /root/ultralytics-8.4.2 /root/workspace/ cd /root/workspace/ultralytics-8.4.2这个操作可以确保我们有足够的空间存储训练数据和模型文件。2. 快速运行推理演示2.1 准备推理脚本在项目目录下创建或修改detect.py文件使用以下代码from ultralytics import YOLO if __name__ __main__: # 加载预训练模型 model YOLO(yolo26n-pose.pt) # 执行推理 results model.predict( source./ultralytics/assets/zidane.jpg, saveTrue, showFalse )2.2 参数说明model: 指定模型权重文件路径镜像已预置多种权重source: 输入源路径可以是图片、视频或摄像头编号save: 是否保存推理结果默认保存到runs/detect目录show: 是否显示实时结果窗口服务器环境建议设为False2.3 运行推理执行以下命令开始推理python detect.py推理完成后结果会自动保存在runs/detect/predict/目录下终端会输出检测到的对象类别和置信度信息。3. 自定义模型训练3.1 准备数据集YOLO26要求数据集按以下结构组织dataset/ ├── images/ │ ├── train/ # 训练图片 │ └── val/ # 验证图片 └── labels/ ├── train/ # 训练标签 └── val/ # 验证标签每个标签文件(.txt)的格式为class_id center_x center_y width height归一化坐标。3.2 配置数据文件创建或修改data.yaml文件train: ./dataset/images/train val: ./dataset/images/val nc: 80 # 类别数量 names: [person, bicycle, car, ...] # 类别名称列表3.3 训练脚本配置修改train.py文件from ultralytics import YOLO if __name__ __main__: # 初始化模型 model YOLO(yolo26n.yaml) # 加载预训练权重可选 model.load(yolo26n.pt) # 开始训练 model.train( datadata.yaml, imgsz640, epochs200, batch32, device0, projectruns/train, nameexp )3.4 启动训练运行训练命令python train.py训练过程中会输出各项指标模型检查点会自动保存在runs/train/exp/目录下。4. 结果导出与应用4.1 训练结果分析训练完成后可以在runs/train/exp/目录找到weights/best.pt: 性能最好的模型weights/last.pt: 最终训练完成的模型results.png: 训练指标变化曲线4.2 模型导出YOLO26支持导出多种格式的模型from ultralytics import YOLO model YOLO(runs/train/exp/weights/best.pt) model.export(formatonnx) # 导出为ONNX格式支持导出的格式包括ONNX、TensorRT、CoreML等。4.3 下载训练结果使用SFTP工具如Xftp连接服务器将训练结果下载到本地导航到/root/workspace/ultralytics-8.4.2/runs/train/exp/选择需要下载的文件或文件夹拖拽到本地目录完成下载对于大文件建议先压缩再下载tar -czf exp.tar.gz runs/train/exp/5. 常见问题解答5.1 GPU不可用怎么办运行以下命令检查GPU状态import torch print(torch.cuda.is_available()) # 应该返回True print(torch.cuda.get_device_name(0)) # 显示GPU型号如果返回False请检查是否正确激活了yolo环境Docker/虚拟机是否配置了GPU资源5.2 训练时显存不足怎么办尝试以下解决方案减小batch大小如从32改为16降低输入分辨率imgsz从640改为320使用更小的模型如yolo26n代替yolo26x启用梯度累积model.train(..., batch16, imgsz320, accumulate2)5.3 如何更新Ultralytics库虽然镜像基于v8.4.2构建但可以通过pip升级pip install --upgrade ultralytics升级后建议测试基本功能确保兼容性。6. 总结通过这个预配置的YOLO26官方镜像我们能够快速完成从环境搭建到模型训练、推理的全流程。主要优势包括开箱即用预装所有依赖省去配置时间高效开发5分钟即可跑通第一个推理demo完整支持覆盖训练、评估、推理全流程多模型预置提供多种预训练权重支持快速迁移学习工程友好清晰的目录结构便于团队协作无论是目标检测的初学者还是需要快速部署的工程团队这个镜像都能显著提升开发效率。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。
YOLO26官方镜像体验：预装环境+完整代码，5分钟跑通推理
YOLO26官方镜像体验预装环境完整代码5分钟跑通推理1. 镜像环境与准备工作1.1 预装环境说明这个YOLO26官方镜像已经为我们准备好了所有必要的开发环境省去了繁琐的配置过程。主要包含以下组件深度学习框架PyTorch 1.10.0 TorchVision 0.11.0CUDA支持CUDA 12.1 cuDNN 8.2.0Python环境Python 3.9.5常用工具库OpenCV、NumPy、Pandas等镜像启动后我们需要先激活预配置的conda环境conda activate yolo1.2 项目目录设置默认代码存放在系统盘建议复制到数据盘进行操作cp -r /root/ultralytics-8.4.2 /root/workspace/ cd /root/workspace/ultralytics-8.4.2这个操作可以确保我们有足够的空间存储训练数据和模型文件。2. 快速运行推理演示2.1 准备推理脚本在项目目录下创建或修改detect.py文件使用以下代码from ultralytics import YOLO if __name__ __main__: # 加载预训练模型 model YOLO(yolo26n-pose.pt) # 执行推理 results model.predict( source./ultralytics/assets/zidane.jpg, saveTrue, showFalse )2.2 参数说明model: 指定模型权重文件路径镜像已预置多种权重source: 输入源路径可以是图片、视频或摄像头编号save: 是否保存推理结果默认保存到runs/detect目录show: 是否显示实时结果窗口服务器环境建议设为False2.3 运行推理执行以下命令开始推理python detect.py推理完成后结果会自动保存在runs/detect/predict/目录下终端会输出检测到的对象类别和置信度信息。3. 自定义模型训练3.1 准备数据集YOLO26要求数据集按以下结构组织dataset/ ├── images/ │ ├── train/ # 训练图片 │ └── val/ # 验证图片 └── labels/ ├── train/ # 训练标签 └── val/ # 验证标签每个标签文件(.txt)的格式为class_id center_x center_y width height归一化坐标。3.2 配置数据文件创建或修改data.yaml文件train: ./dataset/images/train val: ./dataset/images/val nc: 80 # 类别数量 names: [person, bicycle, car, ...] # 类别名称列表3.3 训练脚本配置修改train.py文件from ultralytics import YOLO if __name__ __main__: # 初始化模型 model YOLO(yolo26n.yaml) # 加载预训练权重可选 model.load(yolo26n.pt) # 开始训练 model.train( datadata.yaml, imgsz640, epochs200, batch32, device0, projectruns/train, nameexp )3.4 启动训练运行训练命令python train.py训练过程中会输出各项指标模型检查点会自动保存在runs/train/exp/目录下。4. 结果导出与应用4.1 训练结果分析训练完成后可以在runs/train/exp/目录找到weights/best.pt: 性能最好的模型weights/last.pt: 最终训练完成的模型results.png: 训练指标变化曲线4.2 模型导出YOLO26支持导出多种格式的模型from ultralytics import YOLO model YOLO(runs/train/exp/weights/best.pt) model.export(formatonnx) # 导出为ONNX格式支持导出的格式包括ONNX、TensorRT、CoreML等。4.3 下载训练结果使用SFTP工具如Xftp连接服务器将训练结果下载到本地导航到/root/workspace/ultralytics-8.4.2/runs/train/exp/选择需要下载的文件或文件夹拖拽到本地目录完成下载对于大文件建议先压缩再下载tar -czf exp.tar.gz runs/train/exp/5. 常见问题解答5.1 GPU不可用怎么办运行以下命令检查GPU状态import torch print(torch.cuda.is_available()) # 应该返回True print(torch.cuda.get_device_name(0)) # 显示GPU型号如果返回False请检查是否正确激活了yolo环境Docker/虚拟机是否配置了GPU资源5.2 训练时显存不足怎么办尝试以下解决方案减小batch大小如从32改为16降低输入分辨率imgsz从640改为320使用更小的模型如yolo26n代替yolo26x启用梯度累积model.train(..., batch16, imgsz320, accumulate2)5.3 如何更新Ultralytics库虽然镜像基于v8.4.2构建但可以通过pip升级pip install --upgrade ultralytics升级后建议测试基本功能确保兼容性。6. 总结通过这个预配置的YOLO26官方镜像我们能够快速完成从环境搭建到模型训练、推理的全流程。主要优势包括开箱即用预装所有依赖省去配置时间高效开发5分钟即可跑通第一个推理demo完整支持覆盖训练、评估、推理全流程多模型预置提供多种预训练权重支持快速迁移学习工程友好清晰的目录结构便于团队协作无论是目标检测的初学者还是需要快速部署的工程团队这个镜像都能显著提升开发效率。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。
