使用yolov26实现目标检测

一、创建虚拟环境

打开anaconda，选择Anaconda Prompt。

创建一个新的python环境，这里以yolov26命名新建环境，python使用3.12。

conda create -n yolo26 python=3.12

回车后出现新建环境提醒输入 y 继续，耐心等待全部下载完成后自动安装。

出现这样的界面证明创建成功。

conda activate yolo26

进入虚拟环境。

二、安装环境配置

2.1安装Pytorch

切换环境后，我们进入PyTorch官网安装PyTorch。

根据自己电脑配置选择相对应的安装代码。

输入y回车即可继续安装。

2.2安装ultralytics库

pip install ultralytics

安装完成出现下图则环境配置完成。

2.3配置源码

在gitee上下载地址为：ultralytics: Ultralytics 同步更新官方最新版 YOLO26

点击克隆/下载。

下载并解压在自己的文件夹。

2.4pycharm导入环境

​下载完成之后解压到D盘或其它盘文件夹内，此时点击鼠标右键文件夹通过pycharm打开，打开后需要配置虚拟环境，新版pycharm可选中文语言，点击左上角 文件-设置，点击 项目：yolo26，点击python解释器，点击右边添加解释器-添加本地解释器，

模型的初始环境即可配置完成。

三、模型训练

3.1数据集准备

使用yolo，voc 或自定义数据集。数据集结构需符合以下格式：

yolo数据集格式如下: test：整体文件夹 images:图片文件夹 train:训练集图片 val:测试集图片 labels:标签文件夹 train：训练集标签 标签 classes.txt 其中存放标签名称 val：测试集标签 标签 clsaaes.txt 其中存放标签名称 （训练集图片和标签一一对应，测试集同样）

VOC数据格式如下： test: images:所有图片文件夹 annotations:所有标签 label_list.txt:标签名 train.txt:训练集图片和标签名 val.txt:测试集图片和标签名

3.2训练函数

yolov26与其他yolo系列不太一样，需要独自写一个train.py函数。

from ultralytics import YOLO # 加载一个预训练的 YOLO26n 模型 model = YOLO("yolo26n.pt") # 在 COCO8 数据集上训练模型 100 个周期 train_results = model.train( data="coco8.yaml", # 数据集配置文件路径 epochs=100, # 训练周期数 imgsz=640, # 训练图像尺寸 device="cpu", # 运行设备 (例如 'cpu', 0, [0,1,2,3]) ) # 评估模型在验证集上的性能 metrics = model.val() # 对图像执行目标检测 results = model("path/to/image.jpg") # 对图像进行预测 results[0].show() # 显示结果 # 将模型导出为 ONNX 格式以进行部署 path = model.export(format="onnx") # 返回导出模型的路径

写好train.py后即可在终端输入命令进行模型训练。

3.3预测函数

from ultralytics import YOLO # Load a model model = YOLO("yolo26n.pt") # load an official model model = YOLO("path/to/best.pt") # load a custom model # Predict with the model results = model("https://ultralytics.com/images/bus.jpg") # predict on an image # Access the results for result in results: xywh = result.boxes.xywh # center-x, center-y, width, height xywhn = result.boxes.xywhn # normalized xyxy = result.boxes.xyxy # top-left-x, top-left-y, bottom-right-x, bottom-right-y xyxyn = result.boxes.xyxyn # normalized names = [result.names[cls.item()] for cls in result.boxes.cls.int()] # class name of each box confs = result.boxes.conf # confidence score of each box

其中训练函数与预测函数均可根据自己的实际需求进行更改。