YOLO系列模型通用搭建流程——YOLOv26为例

时光之源

491人浏览 · 2026-03-24 00:54:52

时光之源 · 2026-03-24 00:54:52 发布

引言

很多教程虽然教了怎么搭建YOLO但是解释的较为笼统，YOLO官方也有搭建流程，但是对于新手不友好，今天以YOLOv26为例，完整的详细的搭建整套YOLOv26训练流程，让小白也可以轻松上手最新版YOLO模型。

本篇文章字数近万，如果你是纯新手我建议从头开始慢慢看，中间很多章节可以跳过；如果你是中手可以跳着看，大部分内容都知道；如果你是老手或者只是想知道某个部分的内容，我建议通过目录来找一下到底想看哪里。

1、环境搭建

首先是环境的搭建，我这里有一套完整到不能再完整的流程，以Linux服务器为例，如果你是windows我也附上了教程，直接按照下面指令的顺序安装即可

#Linux
#1️⃣ 安装conda 如果下载过慢可以先在本地直接进入https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh下载后再拖进服务器
sudo wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
sudo chmod +x Miniconda3-latest-Linux-x86_64.sh————————————可不执行
./Miniconda3-latest-Linux-x86_64.sh		#有enter按enter 有yes输入yes

#⭐️如果你是windows，则可以访问这个地址安装miniconda：https://blog.csdn.net/ming12131342/article/details/140233867

#2️⃣ 重启一下终端 然后开始安装环境 torch是环境名 可以改变
conda create -n torch python=3.12    #安装python3.12 我只推荐12 其他版本我觉得要么太新要么太老 而且对于Python12来说，对于torch cuda等依赖也比较全面且符合大部分机型
conda activate torch
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple		#切换镜像源安装更快
pip config debug
pip config list    #查看镜像源是否切换成功

#3️⃣ 安装torch环境
pip install torch==2.3.1 torchvision==0.18.1 torchaudio==2.3.1 matplotlib tqdm pyyaml sentry-sdk einops timm pandas scipy seaborn scikit-learn
#这里需要检查一下nvidia-smi 
#第一行最后得大于等于12.2：
NVIDIA-SMI 535.183.01    Driver Version: 535.183.01   ⭐️CUDA Version: 12.2⭐️
#如果小于12.2则需要降低torch版本

这里需要解释一下，torch的版本对应关系，访问该网址：download.pytorch.org/whl/torch/

按照你的版本比如CUDA Version版本为12.2就如我上面那样，去该网址搜索cu12（即Cuda12版本的相关安装包），如下图：

红框中框选出来的就是版本对应，以torch-2.1.0+cu121-cp38-cp38-win_amd64.whl举例，表示torch版本2.1.0则需要CUDA版本为12.1以上，python版本3.8以上，后面的win_amd64表示windows系统，如果是linux_x86_64则是linux系统，相应的如果要安装torch2.2.0则至少需要python3.10，以此类推即可。

下面继续安装

# 4️⃣安装其他依赖
conda install opencv ——>自动安装libgl1-mesa-glx或libglx-mesa0 和 libglib2.0-0
# 这里需要使用conda来安装，保证会自动安装libgl1-mesa-glx或libglx-mesa0 和 libglib2.0-0，这两个对于深度学习有用。

如果要给conda换镜像源的话可以复制以下命令到cmd中：

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/linux-64/
conda config --set show_channel_urls yes    #检查镜像源

🪐安装完成以后使用以下代码检查一下环境，看安装出来的pytorch是不是cuda版本

import torch

# 1. 打印PyTorch版本和CUDA版本信息
print(f"PyTorch版本: {torch.__version__}")
print(f"CUDA版本（编译时）: {torch.version.cuda}")

# 2. 检查CUDA（即GPU）是否可用（这是最关键的判断）
print(f"CUDA是否可用: {torch.cuda.is_available()}")

# 3. 如果可用，查看GPU设备信息
if torch.cuda.is_available():
    print(f"可用GPU数量: {torch.cuda.device_count()}")
    print(f"当前GPU设备: {torch.cuda.current_device()}")
    print(f"GPU设备名称: {torch.cuda.get_device_name(0)}")
else:
    print("CUDA不可用。当前安装的可能是CPU版本的PyTorch，或者显卡驱动/CUDA Toolkit未正确安装。")

这样基本环境就安装完毕了，其他深度学习这套基本安装流程都可以使用，以便于更好的管理环境，也可以安装一个基准环境，后面环境可以直接克隆。

2、ultralytics两种安装方式以及通过Git管理

首先安装Git：

如果是windows安装git则参考这篇文章：https://blog.csdn.net/mukes/article/details/115693833
如果是linux则是：

sudo apt-get install git

git --version    # 检查git版本

2.1 第一种直接安装ultralytics

这种适合仅仅使用YOLO系列模型的同学，首先创建你需要运行的YOLO，比如创建文件夹YOLOv26表示使用YOLOv26模型，然后进入其中启动你的编辑器，接下来按照以下执行命令：

conda activate torch        # 启动名为torch的虚拟环境
pip install ultralytics     # 直接安装ultralytics

# 接下来就和正常流程一致，使用下面的教程使用YOLO即可

然后就可以使用from ultralytics import YOLO来使用YOLO系列模型了。

具体使用流程可以参考官网：使用 Ultralytics YOLO 进行模型训练 - Ultralytics YOLO 文档

或者参考该链接：YOLOv11来了，使用YOLOv11训练自己的数据集和推理(附YOLOv11网络结构图)-CSDN博客

2.2 第二种需要对网络进行修改的手动安装ultralytics

去官网ultralytics/ultralytics: Ultralytics YOLO 🚀使用Download zip下载整个项目，然后将整个项目放置在你创建好的项目文件夹中，或者将ultralytics-main改名为你自己的项目名。最终会变成以下样子：

三个箭头从上到下分别是项目名YOLOv26，下载的ultralytics-main主项目，以及其中的ultralytics依赖，其中最有用的是ultralytics依赖，如果你觉得项目名YOLOv26下面还有个主项目名很重复，可以将ultralytics-main改成你的项目名，然后上移一级即可。

同样的这样也算安装好了ultralytics，但是和直接安装不一样的是，这样手动安装项目是可以对YOLO本身进行修改的，举个简单例子如下：

比如我要对YOLOv26的模型进行修改，我就可以去ultralytics-main/ultralytics/cfg/models/26/yolo26.yaml中，对backbone进行修改，这是直接安装难以实现的，手动安装的好处就是可以加以创新。

之后就是跟直接安装类似，不过最好在ultralytics-main中定义自己的训练文件，方便调用ultralytics。

2.3 使用Git对项目进行管理

上面两种方式都可以对项目进行管理，下面以Gitee为例，命令形式都是一致的，如果是Github改个命令名即可，如果实在不确定就问AI让他告诉你命令：

首先在你的Gitee或者Github上面创建好一个空仓库，空仓库就是指，仅仅填写了仓库名称然后直接创建的仓库，不需要其他的初始化什么，省得合并麻烦。

2.3.1 如果你是完全自行创建的项目

在你的项目中执行以下命令，这是没有使用git clone的情况，即全程都是自行创建的项目，并没有别人的git版本记录。

# 1. 检查当前目录状态，确认是否已存在Git仓库或有哪些待跟踪文件
git status
# 输出若为 "fatal: not a git repository..." 说明这是一个新目录，可初始化。

# 2. 将当前目录初始化为一个新的Git仓库，创建隐藏的 .git 文件夹
git init

# 3. (关键步骤) 创建或编辑 .gitignore 文件，忽略不需要版本控制的文件
# 对于深度学习项目，通常需要忽略数据集、模型权重、日志、虚拟环境等
# 示例内容：
#   data/
#   weights/*.pt
#   runs/
#   __pycache__/
#   .venv/
#   *.pyc
# 您可以使用编辑器创建此文件。

# 4. 将当前目录下的所有文件（除.gitignore中声明的）添加到暂存区
git add .
# 也可以用 `git add <文件名>` 添加特定文件

# 5. 将暂存区的文件创建为一个永久的快照（提交），并附上说明性信息
git commit -m "初始提交: 项目框架搭建完成"
# 提交信息应清晰，便于日后回溯。

# 6. 将本地仓库与您已在Gitee上创建的远程仓库关联起来
git remote add origin https://gitee.com/<用户名>/<仓库名>.git
# 远程仓库的别名为 origin，这是惯例。

# 7. 首次将本地提交推送到远程仓库的 main 分支，并建立追踪关系
git push -u origin main
# 如果您的默认分支是 master，请将 `main` 替换为 `master`
# `-u` 参数设置了上游分支，之后在此分支可直接用 `git push`

这样就完成了第一次提交，之后按照类似逻辑修改完成之后再提交，之后再修改再提交即可，比较简单。

2.3.2 如果你是git clone别人的仓库

这时候上面的方法可能行不通，因为有别人的git管理记录，即.git文件，会让某些操作失效。

分为以下几种情况：

1、完全重新开始

执行以下命令：

# 1. 先退回到您想操作的目录的上一层（确保不在要删除的仓库内）
cd /path/to/your/target_directory
# 2. 删除.git文件夹，使其变为普通目录
# Windows (PowerShell) 管理员身份运行
Remove-Item -Recurse -Force .git
# Linux/macOS
rm -rf .git
# 3. 现在，这个目录就“自由”了，您可以重新 `git init`

2、保留别人的历史记录

当然也可以不删除原始的git，而在这基础上继续提交，命令如下：

# 1. 克隆原项目
git clone https://gitee.com/<别人的用户名>/<别人的仓库名>.git
cd <别人的仓库名>

# 2.1 【关键】修改远程仓库地址，指向您自己的仓库
# 首先查看当前的远程地址（通常叫 origin）
git remote -v
# 输出示例：origin  https://gitee.com/<别人的用户名>/<别人的仓库名>.git (fetch)

# 修改 origin 指向您自己的仓库
git remote set-url origin https://gitee.com/<用户名>/<仓库名>.git
# 再次验证
git remote -v
# 现在应显示为您自己的Gitee仓库地址

# 2.2 如果你不想删除原始仓库，想以后对方修改了自己可以同步，可以添加原仓库为上游仓库，方便日后同步官方更新
git remote add upstream https://gitee.com/<别人的用户名>/<别人的仓库名>.git
# 现在您有两个远程：origin（您的）、upstream（原作者的）

# 3. 将本地所有分支和提交推送到您自己的远程仓库
git push -u origin main


#⭐️这其中的origin 是指git remote -v 显示的最前面的默认值，如果你不小心修改了命令也要进行相应的修改
#⭐️这其中的main 是你的仓库分支，一般叫做main，如你的不叫main，会提交不上去，可以使用
git branch # 查看

3、超简洁ultralytics

如果你觉得上面创建的项目看起来很繁琐不够干净，推荐一个项目https://gitee.com/likewater123/ultralytics.git

这是我自行创建的一个超简洁项目，仅仅包含3个文件夹和4个文件，保留了核心功能，去掉了多余的一般用不到的比如docker（除非你用Docker部署），docs等等，需要注意的是该项目仅用作学习用途，参考自原始项目ultralytics/ultralytics: Ultralytics YOLO 🚀：

examples            # 各种部署和推理的示例代码。例如ONNX Runtime、OpenVINO、C++推理等。
tests               # 单元测试和集成测试。在修改源码后，运行测试是验证功能是否被破坏的黄金标准。
ultralytics         # 项目核心源代码。所有模型架构、引擎、工具函数的实现都在这里。   
.gitignore          # 告知Git哪些文件或目录应被忽略，不纳入版本管理。
LICENSE             # 软件许可证文件，规定了他人使用、修改和分发您代码的法律条款。       
pyproject.toml      # 现代Python项目的核心配置文件。
README.md           # 项目的中文版说明文档。

具体完整的操作使用流程如下：

1、首先创建一个通用项目文件夹比如Projects，或者ultralytics，或者YOLO-series等等你觉得不错的。
2、然后使用命令克隆这个仓库，这里不管是公用电脑还是私用电脑都可以

git clone https://gitee.com/likewater123/ultralytics.git

3、接下来修改主项目名，就是之前提到的ultralytics-mian，但是这个项目名就叫做ultralytics，总之把你还没进入之前的项目名改成你想要的，比如：yolov11，yolov26等等，然后从你的通用项目文件夹Projects进入该项目。接下来是重点：
3.1 如果你是个人电脑，使用以下命令，切换成自己的仓库，然后按照上面的git流程进行相应的操作就可以了：

git remote -v    # 查看现有仓库名
git remote set-url origin https://gitee.com/<用户名>/<仓库名>.git   # 🌟改成自己的仓库

3.2 如果不是你的电脑，或者说是公用电脑，别人的电脑，那么就要注意了，这时候你再进行推送是会报错了，一般错误代码是403，表示没有权限，这是因为一台电脑上面的git默认凭证或者ssh密钥只有一个，那就是主机的Git，而且ssh一般也只认默认的账户，所以这时候需要添加一个新的Git（即你的账户）才能够推送，执行以下的命令：

# 1. 打开 PowerShell (建议以管理员身份运行)
# 为你的 Git 账户生成密钥
ssh-keygen -t ed25519 -C "<邮箱>" -f ~/.ssh/id_ed25519_gitee_<你的用户名>
# 执行后会提示输入密码，可以为空（直接回车）。

# 2. 生成后，查看公钥内容，需要添加到Gitee
cat ~/.ssh/id_ed25519_gitee_<你的用户名>.pub

# 3.创建或编辑 ~/.ssh/config文件，这是实现多密钥智能路由的核心。
# windows的.ssh/config 创建在C:\Users\<电脑用户名>\.ssh下面
# 在其中加入以下信息：
——————————————————————————————————————————————————————————————————————————————————————
# Gitee 配置 - <你的用户名>
# 使用别名 <你的用户名> 连接时，会自动使用对应的私钥
Host gitee-<用户名>
    HostName gitee.com
    User git
    IdentityFile ~/.ssh/id_ed25519_gitee_<用户名>
    IdentitiesOnly yes
    ServerAliveInterval 30
    ServerAliveCountMax 3
    TCPKeepAlive yes

# 默认的Gitee配置 即主机Git账户
# 当使用 git@gitee.com 时，将默认使用此密钥 <主机用户名>就是ssh下面的另一个id_ed25519或者rsa的文件
Host gitee.com
    HostName gitee.com
    User git
    IdentityFile ~/.ssh/id_ed25519_gitee_<主机用户名>
    IdentitiesOnly yes
    ServerAliveInterval 30
    ServerAliveCountMax 3
    TCPKeepAlive yes
——————————————————————————————————————————————————————————————————————————————————————

3.2 这样就添加好了两个Git各自分别的信息，接下来继续，使用ssh-agent来管理两个ssh密钥，windows和linux指令如下：

# WINDOWS 管理员打开powershell
# 1. 确保 ssh-agent 服务正在运行（Windows 10/11 通常内置）
Get-Service ssh-agent | Set-Service -StartupType Automatic
Start-Service ssh-agent

# 2. 将两把新私钥添加到 ssh-agent
ssh-add ~/.ssh/id_ed25519_gitee_<你的用户名>
ssh-add ~/.ssh/id_ed25519_gitee_<主机用户名>

# 3. 查看已添加的密钥列表
ssh-add -l

——————————————————————————————————————————————————————————————————

# LINUX
# 1. 启动 ssh-agent 并将环境变量添加到当前shell
eval "$(ssh-agent -s)"

# 2. 将两把新私钥添加到 ssh-agent
ssh-add ~/.ssh/id_ed25519_gitee_<你的用户名>
ssh-add ~/.ssh/id_ed25519_gitee_<主机用户名>

# 3. 查看已添加的密钥列表
ssh-add -l

# 4. （重要）将启动ssh-agent的命令添加到 ~/.bashrc 或 ~/.zshrc
# 这样每次打开终端都会自动加载
echo 'eval "$(ssh-agent -s)"' >> ~/.bashrc
# 如果您使用 zsh
# echo 'eval "$(ssh-agent -s)"' >> ~/.zshrc

3.2 然后测试链接是否成功：

# 测试你的账户连接
ssh -T git@gitee-<你的用户名>
# 成功应看到：Hi <你的用户名>! You've successfully authenticated, ...

# 测试主机账户连接
ssh -T git@gitee.com
# 成功应看到：Hi <主机用户名>! You've successfully authenticated, ...

3.2 然后就可以安装上面的方法进行正常的推拉啦！这里唯一需要注意的地方就是因为你的账户索引方式改变了，所以你不能直接使用git@gitee.com来索引仓库，那样的话索引的是主机用户的仓库，所以你需要使用以下命令：

# 进入您的项目目录
cd /path/to/your/project/yolo

# 1. 修改远程地址，使用为 chris-stars 配置的别名
git remote set-url origin git@gitee-<你的用户名>:<你的项目仓库>

# 2. 验证远程地址
git remote -v
# 应显示：origin  git@gitee-<你的用户名>:<你的项目仓库> (fetch)

# 3. 设置本地提交者信息（与密钥邮箱一致），这里就是设置的本地信息 如果设置不好去掉--local
git config --local user.name "<你的用户名>"
git config --local user.email "<你的邮箱>"

# 4. 验证本地配置已生效
git config --local user.email
git config --local user.name

# 5. 现在可以正常推送

# 添加更改到暂存区
git add .
# 或 git add <特定文件>

# 提交更改。此时提交者将显示为您在本地配置中设置的信息。
git commit -m "描述您的更改内容"

git push -u origin main
# 如果您的默认分支是 ‘master‘，请将 ‘main‘ 替换为 ‘master‘

4、到此问题基本上全部解决！接下来是让YOLOv26跑起来

4.1 创建相应文件夹和文件

1、主项目文件夹下创建以下文件：datasets、train.py、predict.py，三个文件即可，其中datasets文件夹目录格式如下：

datasets
    └─coco8
       ├─images
       │  ├─test
       │  ├─train
       │  └─val
       └─labels
           ├─test
           ├─train
           └─val

2、datasets下的coco8还需要创建一个coco8.yaml文件，文件内容如下：

# 数据集形式有两种：
# 第一种
# └─coco8
#     ├─images
#     │  ├─test
#     │  ├─train
#     │  └─val
#     └─labels
#         ├─test
#         ├─train
#         └─val
# 第二种
# └─coco8
#     ├─train
#     │  ├─images
#     │  └─labels
#     └─val
#     │  ├─images
#     │  └─labels
#     └─test
#        ├─images
#        └─labels
# 第三种
# dataset/
# ├── images/ # 所有图片混合存放
# ├── labels/ # 所有标签混合存放
# ├── train.txt # 记录训练集图片路径
# ├── val.txt # 记录验证集图片路径
# └── test.txt # 记录测试集图片路径
# 三种均可，三种均可不用test测试集


# 第一种写法
path: datasets/coco8 # dataset root dir
train: images/train # train images (relative to 'path') 4 images
val: images/val # val images (relative to 'path') 4 images
test: images/test # test images (optional)
#————————————————————————————————或——————————————————————————————————————
# train: datasets/coco8/images/train
# val: datasets/coco8/images/val
# test: datasets/coco8/images/test

# 第二种写法
# train: datasets/coco8/train/images
# val: datasets/coco8/val/images
# test: datasets/coco8/test/images

# 第三种写法
# train: datasets/train.txt
# val: datasets/val.txt
# test: datasets/test.txt


# Classes
names:
  0: person
  1: bicycle
  2: car
  3: motorcycle
  4: airplane
  5: bus
  6: train
  7: truck
  8: boat
  9: traffic light
  10: fire hydrant
  11: stop sign
  12: parking meter
  13: bench
  14: bird
  15: cat
  16: dog
  17: horse
  18: sheep
  19: cow
  20: elephant
  21: bear
  22: zebra
  23: giraffe
  24: backpack
  25: umbrella
  26: handbag
  27: tie
  28: suitcase
  29: frisbee
  30: skis
  31: snowboard
  32: sports ball
  33: kite
  34: baseball bat
  35: baseball glove
  36: skateboard
  37: surfboard
  38: tennis racket
  39: bottle
  40: wine glass
  41: cup
  42: fork
  43: knife
  44: spoon
  45: bowl
  46: banana
  47: apple
  48: sandwich
  49: orange
  50: broccoli
  51: carrot
  52: hot dog
  53: pizza
  54: donut
  55: cake
  56: chair
  57: couch
  58: potted plant
  59: bed
  60: dining table
  61: toilet
  62: tv
  63: laptop
  64: mouse
  65: remote
  66: keyboard
  67: cell phone
  68: microwave
  69: oven
  70: toaster
  71: sink
  72: refrigerator
  73: book
  74: clock
  75: vase
  76: scissors
  77: teddy bear
  78: hair drier
  79: toothbrush

# Download script/URL (optional)
# download: https://github.com/ultralytics/assets/releases/download/v0.0.0/coco8.zip

3、train.py 和 predict.py文件内容如下：

train.py

from ultralytics import YOLO

def main():
    model = YOLO(model=r'ultralytics/cfg/models/26/yolo26n.yaml')
    model.load('yolo26n.pt') 
    # 加载预训练权重 也可以写成model.YOLO('yolo26n.pt') 如果训练自己的数据集不用加载

    # Train the model on the COCO8 dataset for 100 epochs 训练100轮
    model.train(
        data=r"datasets/coco8/coco8.yaml",  # Path to dataset configuration file 就是数据集下面的配置文件
        epochs=50,  # Number of training epochs
        imgsz=640,  # Image size for training
        batch=2,    # 批量大小
    )

    # 如果仅仅是训练 上面的已经足够了————————————————————————————————————————————————————————————————————————————————————
    # Evaluate the model's performance on the validation set    评估模型
    metrics = model.val()

    # Perform object detection on an image   去一张图片用来验证
    results = model(r"datasets/coco8/images/val/000000000036.jpg",save=True)  # Predict on an image
    results[0].show()  # Display results    展示结果
if __name__ == '__main__':
    main()

predict.py

from ultralytics import YOLO

def main():
    model = YOLO(model=r'runs/detect/train/weights/best.pt')   # 加载你训练好的权重文件

    # 去一张图片用来预测
    results = model(r"datasets/coco8/images/val/000000000061.jpg",show=True,save=True)
    results[0].show()  # 展示结果

if __name__ == '__main__':
    main()