要是你刚接触深度学习第一次听说YOLO26那我猜你多半是刷到了某个训练实况或者榜单截图然后兴冲冲地想在本地亲手复现一把。结果呢大概率卡在环境搭建这关Python装了好几遍CUDA版本算不清楚好不容易把包装上去了一跑又报“找不到设备”。别问我怎么知道的我当年搭YOLOv5环境时就走过一整圈弯路。YOLO26这代对依赖版本的要求更细环境问题更得一次性捋清楚。这篇教程是我最近在一台新机器上从零搭建YOLO26环境的全记录直接按实际动手顺序来版本选择、虚拟环境、PyTorch安装、首次推理、训练自定义数据集最后附上我踩过的坑和排错思路。不管你是Windows还是Linux有显卡还是没显卡照着这套流程基本都能跑通。我尽量把每个操作背后的原因也讲明白这样你遇到新问题的时候自己也能推断出该往哪个方向查。1. 环境搭建的核心是版本匹配不是“装最新”很多新手最容易犯的错就是把所有东西都装到最新版然后面对一堆兼容性报错一脸懵。YOLO26环境搭建这件事本质上是让操作系统、显卡驱动、Python、PyTorch、Ultralytics这五层东西互相匹配。任何一层脱节整体就跑不起来。1.1 先定 Python 版本再谈其他YOLO26依托Ultralytics框架运行这个框架对Python版本有一个明确的区间要求。实测下来Python 3.10是最省心的选择3.8到3.11也都兼容但3.12在某些系统上会和旧版PyTorch出现链接问题3.13目前太新很多依赖还没完全跟上。Python 版本兼容性推荐度3.8可用但部分新版依赖已放弃支持不推荐3.9可用可以3.10最稳定强烈推荐3.11可用推荐3.12部分场景有依赖问题谨慎3.13兼容风险较高暂不推荐这里有个容易忽略的点YOLO26环境不光有ultralytics这一个包背后还有torch、torchvision、opencv-python、numpy、pandas、matplotlib这一串依赖。numpy和torch对Python版本的支持节奏并不完全同步你选一个太新的Python版本很可能导致某个关键依赖装不上。1.2 CUDA、cuDNN 和 PyTorch 到底谁依赖谁很多教程把CUDA说得很玄乎其实你可以这么理解CUDA是NVIDIA显卡的并行计算平台PyTorch通过调用CUDA来让显卡执行张量运算。cuDNN是CUDA之上的深度神经网络加速库PyTorch内部用它来加速卷积等操作。关键认知在于**PyTorch的GPU版本自带CUDA运行库和cuDNN不需要你单独安装完整的CUDA Toolkit。**但你的NVIDIA驱动版本必须足够新能够支持PyTorch对应版本所用的CUDA运行库。怎么判断打开命令行执行nvidia-smi输出最上方会显示显卡驱动版本右上角会显示这个驱动支持的最高CUDA版本。比如驱动显示“CUDA Version: 12.1”代表它可以支持CUDA 12.1及以下的所有版本。你不需要让“驱动支持的最高CUDA版本”和“PyTorch用的CUDA版本”完全一致只需要让前者大于等于后者。这一点搞明白你就不会再去折腾那个4GB多的大块头CUDA Toolkit安装包了。1.3 我在实测中推荐的版本组合这套组合我在NVIDIA RTX 3060、RTX 4090、纯CPU的老笔记本上都验证过稳定性和训练速度都能兼顾。组件推荐配置说明操作系统Windows 10/11 或 Ubuntu 20.04/22.04Ubuntu环境更省心Windows也完全可以NVIDIA驱动530系列或更高至少支持CUDA 12.1Python3.10.x兼容性和依赖生态最稳CUDA运行时由PyTorch自带无需单独安装ToolkitPyTorch2.1.0及以上建议走CUDA 12.1版本渠道Ultralytics8.3.x使用pip安装最新稳定版如果你手头根本没有NVIDIA独显也不用慌PyTorch的CPU版本照样能跑YOLO26只是训练速度慢不少。后面第3部分我会单聊纯CPU场景的取舍。2. 动手安装从虚拟环境到 ultralytics 包全流程版本组合定好之后安装流程就简单多了。我强烈建议你不要直接把包装进系统默认的Python环境否则两三个项目下来依赖冲突能把人逼疯。2.1 用 conda 建一个独立的 YOLO26 环境第一步先安装Anaconda或Miniconda。Miniconda更轻量够用就行官网下载安装包后一路默认即可。装好后打开终端Windows用户建议用Anaconda Prompt执行conda create -n yolo26 python3.10 -y conda activate yolo26这两条命令做了什么第一条创建了一个名为yolo26的独立环境并指定Python 3.10第二条把当前终端切换到该环境。之后你在终端看到(yolo26)前缀就说明已经进来了。为什么一定要这一步因为YOLO26及其依赖会安装大量第三方包如果直接放进系统Python环境很可能和已有的包版本冲突。比如你原本在做自然语言处理装了特定版本的numpy而YOLO26要求另一个numpy版本两者互相覆盖最后两个项目都跑不了。conda独立环境相当于给每个项目准备了单独的小房间互不打扰。2.2 PyTorch 安装一条命令里藏着的坑激活环境后先确认一下当前是CPU环境还是GPU环境。有NVIDIA独显并安装了驱动的情况下建议走GPU渠道pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121如果你使用的是老版本驱动只支持CUDA 11.8那么可以换成cu118pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118没有NVIDIA显卡的用户直接执行pip install torch torchvision torchaudio这里多说一句为什么是PyTorch仓库而不是PyPI默认源。PyTorch官方把GPU版本发布在自己的索引源上如果你直接用pip install torch默认装到的往往是CPU版本显卡等于白瞎了。这个问题在Windows用户里尤其常见。安装完成后第一时间验证GPU是否可用。在Python交互环境里执行import torch print(torch.__version__) print(torch.cuda.is_available())如果输出True说明显卡已经被PyTorch正确识别环境搭建最核心的一环已经通过。如果输出False请检查是否安装的是CPU版本或者显卡驱动是否有问题。2.3 安装 ultralytics 并验证基础依赖PyTorch就绪后剩下就很简单了pip install ultralytics执行完成后输入yolo命令如果出现ultralytics的帮助提示说明CLI工具正常可用。这个包会把推理、训练、导出所需的全部依赖自动装齐包括opencv-python、pandas、matplotlib等。这里有个细节pip install ultralytics会自动匹配机器现有环境如果检测到合适的torch就不重复安装但如果你前面跳过了torch安装它也会自动补上。不过自动补上的torch往往是默认源里的CPU版所以我建议还是先手动装好PyTorch再装ultralytics这样你能明确掌控整个环境。3. 第一次推理让 YOLO26 真正跑起来环境装完后别急着上训练先跑一次推理。这一步能快速暴露绝大部分环境问题而且边际成本最低。3.1 最小推理代码与结果解析在yolo26环境里创建一个test_infer.py文件内容如下from ultralytics import YOLO # 使用 YOLO26 nano 模型首次执行会自动下载权重 model YOLO(yolo26n.pt) # 直接用官方示例图片做测试 results model.predict( sourcehttps://ultralytics.com/images/bus.jpg, saveTrue, conf0.25, ) # 输出检测框坐标 boxes results[0].boxes if boxes is not None: print(检测到目标数量:, len(boxes)) print(坐标信息:, boxes.xyxy[:2])执行python test_infer.py如果一切正常你会在runs/detect/predict/目录下看到带检测框的结果图片终端打印出检测到的人数、车的数量等。这张图的意义不只是“跑通了”更代表从数据加载、模型加载到前向推理的整条链路全部打通。yolo26n.pt是YOLO26系列的nano版本尺寸最小、速度最快。其他尺寸包括s、m、l、x分别对应从小到大。首次执行会联网下载权重文件网络环境正常的话几秒就完成。3.2 首次运行最常见的三个报错我自己在不同机器上测试过以下几个报错出现频率最高报错信息根本原因解决方案ModuleNotFoundError: No module named torch没有安装PyTorch或环境未激活先执行conda activate yolo26AssertionError: CUDA unavailable显卡驱动过旧或装成了CPU版用nvidia-smi查驱动重新安装匹配的GPU版PyTorchImportError: libGL.so.1: cannot open shared object fileLinux下OpenCV缺少系统图形库sudo apt update sudo apt install libgl1 libglib2.0-0 -y第三个报错在Ubuntu服务器上尤其常见。OpenCV依赖系统的图形接口库但轻量的服务器版系统默认不装这些库遇到时直接装就行别去重装opencv-python那样往往更麻烦。3.3 没有独立显卡的 CPU 推理方案纯CPU环境也能跑YOLO26但速度和GPU比有明显差距。我用一台i7-12700H处理器的老笔记本测过对640x640的输入图像做一次推理大约需要600到1500毫秒而GPU上只需几毫秒。如果你只是验证模型效果或者做少量图片推理这个速度完全能接受。代码和GPU版本基本一致只要在predict参数里显式指定设备results model.predict(sourcebus.jpg, devicecpu)如果你明确自己只有CPU却在等待时发现速度异常慢可以关注一下是否触发了OpenMP线程数限制。设置一下环境变量能让多核CPU利用率明显提升export OMP_NUM_THREADS8不过归根结底CPU只适合学习验证和轻量推理真正做训练还是建议想办法搞一块显卡。4. 从推理到训练自定义数据集才是环境的真正考验推理跑通只是幼儿园阶段环境是不是真的稳得丢一个自定义数据集进去训练才知道。训练过程中的显存分配、数据加载、算子兼容性都会直接考验你环境配置的完整性。4.1 YOLO 格式数据集与 data.yaml先准备数据集。YOLO格式标注的核心是图片和对应的txt标注文件放在各自目录下每行标注代表一个目标格式为类别id x_center y_center width height后四个值都是归一化后的0到1之间的小数。目录结构推荐这样做dataset/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ │ └── val/ └── data.yamldata.yaml是数据集的配置文件内容大概这样path: dataset train: images/train val: images/val nc: 2 names: [cat, dog]其中path是相对于当前工作目录的路径nc是类别总数names是类别名称列表。位置信息用的是相对路径这样整个数据集目录可以随意挪动只要path改成正确的相对位置就行。如果你已经有标注好的COCO格式或其他格式数据可以用ultralytics自带的转换工具或脚本转成YOLO格式。这一步的错误率很高建议转换后随机抽查几张图片确认标注框在目标上。4.2 训练命令和显存的关系数据集准备好后执行训练命令yolo detect train \ datadata.yaml \ modelyolo26n.pt \ epochs100 \ imgsz640 \ batch8这里的四个关键参数基本决定了你的显卡能不能扛住训练参数作用显存不足时的对策imgsz输入图像尺寸从640降到512或416显存压力骤减batch每次迭代处理图片数从8降到4或2model模型复杂度nano占用最少x最大epochs训练轮数和显存无关和训练时长有关Ultralytics框架在指定batch-1时能自动探测合适的batch大小新手可以直接用yolo detect train datadata.yaml modelyolo26n.pt epochs100 imgsz640 batch-1但别完全依赖它。自动探测逻辑相对保守有时候给出来的batch太小导致训练速度偏慢。先让它自动跑一次观察显存占用情况再手动调整。如果训练过程中报CUDA out of memory不要慌。优先把batch降到4imgsz降到512这两个操作能解决绝大部分OOM问题。如果还不行试试modelyolo26s.pt换更小的预训练模型。还有一个容易忽略的点workers参数控制数据加载的进程数。Windows下设置过大容易引发多进程加载报错常规建议是设成0或2yolo detect train datadata.yaml modelyolo26n.pt epochs100 imgsz640 workers24.3 验证训练结果并找到权重文件训练完成后结果保存在runs/detect/train/目录下。你可以看到weights/best.pt和weights/last.pt两个权重文件。best.pt是验证集上表现最好的模型last.pt是最后一轮结束时的模型。绝大多数实际使用场景直接拿best.pt就行。验证一下训练出的模型效果from ultralytics import YOLO best_model YOLO(runs/detect/train/weights/best.pt) results best_model.predict(sourcetest_image.jpg, saveTrue, conf0.25)这一步能同时检验训练权重是否完整、推理链路是否正常、类别映射是否正确。如果你在results[0].names里看到的类别和数据集定义不一致回头检查data.yaml的names顺序YOLO格式标注里类别id是和names列表索引一一对应的。5. 环境出问题时的排错思路和自保手段训练跑通了不代表以后就不会出问题。深度学习环境本质上是无数个版本约束的叠加任何一个变动都可能牵一发动全身。我把自己常用的排错思路和环境管理习惯分享出来遇到问题能少走很多弯路。5.1 一个典型报错的完整排查链路某次我在Ubuntu服务器上重装YOLO26环境首次推理时报了个AttributeError: NoneType object has no attribute shape。乍一看像代码问题实际排查后发现是多层因素叠加导致的。我的排查链路是这样的先检查模型文件是否完整确认没问题后检查输入图片是否能正常读取用cv2.imread测了一下发现返回None说明OpenCV读图失败。继续往下查发现是Python的OpenCV版本和numpy版本不兼容读图时直接静默返回空对象。最终解决办法是固定兼容版本pip install numpy1.26.4 opencv-python4.9.0.80这种问题最坑的地方在于它不直接报“版本冲突”而是报一个看起来毫无关联的NoneType错误。所以我总结出一个原则**推理或训练链路中出现的奇怪报错先检查依赖版本再怀疑代码逻辑。**用pip list查一遍版本组合比逐行读代码有效得多。5.2 锁版本环境复现的关键习惯很多人习惯pip install ultralytics装完就跑等项目过几个月要重新部署到另一台机器时发现怎么都复现不了。原因很简单你当时装的是当时的最新版几个月后升级的新版本可能改变了接口行为。我现在的做法是每次环境跑通后立刻生成一份依赖清单pip freeze requirements.txt这份文件记录了当前环境所有包及其精确版本。换机器时一条命令复现pip install -r requirements.txtconda环境下还可以导出完整的创建信息conda env export environment.yml之后用conda env create -f environment.yml恢复整个环境。不过这个文件包含包管理器的具体版本跨操作系统可能会有小范围不适配需要留意。5.3 多环境切换和磁盘清理的实用经验环境用久了conda里会积攒一堆用不到的包占用几十GB磁盘空间。当你切换到某个环境报No space left on device时先看看是不是环境目录爆了。几个常用命令conda env list conda remove -n unused_env --all conda clean -a -yconda clean能清理所有缓存安装包腾出大量空间且不影响已有环境。如果你同时维护多个深度学习项目建议为每个项目建独立环境并明确在项目根目录放一个README.md记录环境名称、Python版本、关键依赖版本和复现命令。这个习惯能让你半年后再看这个项目时完全不卡壳。 
长河君 · 2026/9/17 3:57:22 · 阅读 1.2k YOLO26环境搭建全指南：版本匹配、PyTorch安装到自定义训练
要是你刚接触深度学习第一次听说YOLO26那我猜你多半是刷到了某个训练实况或者榜单截图然后兴冲冲地想在本地亲手复现一把。结果呢大概率卡在环境搭建这关Python装了好几遍CUDA版本算不清楚好不容易把包装上去了一跑又报“找不到设备”。别问我怎么知道的我当年搭YOLOv5环境时就走过一整圈弯路。YOLO26这代对依赖版本的要求更细环境问题更得一次性捋清楚。这篇教程是我最近在一台新机器上从零搭建YOLO26环境的全记录直接按实际动手顺序来版本选择、虚拟环境、PyTorch安装、首次推理、训练自定义数据集最后附上我踩过的坑和排错思路。不管你是Windows还是Linux有显卡还是没显卡照着这套流程基本都能跑通。我尽量把每个操作背后的原因也讲明白这样你遇到新问题的时候自己也能推断出该往哪个方向查。1. 环境搭建的核心是版本匹配不是“装最新”很多新手最容易犯的错就是把所有东西都装到最新版然后面对一堆兼容性报错一脸懵。YOLO26环境搭建这件事本质上是让操作系统、显卡驱动、Python、PyTorch、Ultralytics这五层东西互相匹配。任何一层脱节整体就跑不起来。1.1 先定 Python 版本再谈其他YOLO26依托Ultralytics框架运行这个框架对Python版本有一个明确的区间要求。实测下来Python 3.10是最省心的选择3.8到3.11也都兼容但3.12在某些系统上会和旧版PyTorch出现链接问题3.13目前太新很多依赖还没完全跟上。Python 版本兼容性推荐度3.8可用但部分新版依赖已放弃支持不推荐3.9可用可以3.10最稳定强烈推荐3.11可用推荐3.12部分场景有依赖问题谨慎3.13兼容风险较高暂不推荐这里有个容易忽略的点YOLO26环境不光有ultralytics这一个包背后还有torch、torchvision、opencv-python、numpy、pandas、matplotlib这一串依赖。numpy和torch对Python版本的支持节奏并不完全同步你选一个太新的Python版本很可能导致某个关键依赖装不上。1.2 CUDA、cuDNN 和 PyTorch 到底谁依赖谁很多教程把CUDA说得很玄乎其实你可以这么理解CUDA是NVIDIA显卡的并行计算平台PyTorch通过调用CUDA来让显卡执行张量运算。cuDNN是CUDA之上的深度神经网络加速库PyTorch内部用它来加速卷积等操作。关键认知在于**PyTorch的GPU版本自带CUDA运行库和cuDNN不需要你单独安装完整的CUDA Toolkit。**但你的NVIDIA驱动版本必须足够新能够支持PyTorch对应版本所用的CUDA运行库。怎么判断打开命令行执行nvidia-smi输出最上方会显示显卡驱动版本右上角会显示这个驱动支持的最高CUDA版本。比如驱动显示“CUDA Version: 12.1”代表它可以支持CUDA 12.1及以下的所有版本。你不需要让“驱动支持的最高CUDA版本”和“PyTorch用的CUDA版本”完全一致只需要让前者大于等于后者。这一点搞明白你就不会再去折腾那个4GB多的大块头CUDA Toolkit安装包了。1.3 我在实测中推荐的版本组合这套组合我在NVIDIA RTX 3060、RTX 4090、纯CPU的老笔记本上都验证过稳定性和训练速度都能兼顾。组件推荐配置说明操作系统Windows 10/11 或 Ubuntu 20.04/22.04Ubuntu环境更省心Windows也完全可以NVIDIA驱动530系列或更高至少支持CUDA 12.1Python3.10.x兼容性和依赖生态最稳CUDA运行时由PyTorch自带无需单独安装ToolkitPyTorch2.1.0及以上建议走CUDA 12.1版本渠道Ultralytics8.3.x使用pip安装最新稳定版如果你手头根本没有NVIDIA独显也不用慌PyTorch的CPU版本照样能跑YOLO26只是训练速度慢不少。后面第3部分我会单聊纯CPU场景的取舍。2. 动手安装从虚拟环境到 ultralytics 包全流程版本组合定好之后安装流程就简单多了。我强烈建议你不要直接把包装进系统默认的Python环境否则两三个项目下来依赖冲突能把人逼疯。2.1 用 conda 建一个独立的 YOLO26 环境第一步先安装Anaconda或Miniconda。Miniconda更轻量够用就行官网下载安装包后一路默认即可。装好后打开终端Windows用户建议用Anaconda Prompt执行conda create -n yolo26 python3.10 -y conda activate yolo26这两条命令做了什么第一条创建了一个名为yolo26的独立环境并指定Python 3.10第二条把当前终端切换到该环境。之后你在终端看到(yolo26)前缀就说明已经进来了。为什么一定要这一步因为YOLO26及其依赖会安装大量第三方包如果直接放进系统Python环境很可能和已有的包版本冲突。比如你原本在做自然语言处理装了特定版本的numpy而YOLO26要求另一个numpy版本两者互相覆盖最后两个项目都跑不了。conda独立环境相当于给每个项目准备了单独的小房间互不打扰。2.2 PyTorch 安装一条命令里藏着的坑激活环境后先确认一下当前是CPU环境还是GPU环境。有NVIDIA独显并安装了驱动的情况下建议走GPU渠道pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121如果你使用的是老版本驱动只支持CUDA 11.8那么可以换成cu118pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118没有NVIDIA显卡的用户直接执行pip install torch torchvision torchaudio这里多说一句为什么是PyTorch仓库而不是PyPI默认源。PyTorch官方把GPU版本发布在自己的索引源上如果你直接用pip install torch默认装到的往往是CPU版本显卡等于白瞎了。这个问题在Windows用户里尤其常见。安装完成后第一时间验证GPU是否可用。在Python交互环境里执行import torch print(torch.__version__) print(torch.cuda.is_available())如果输出True说明显卡已经被PyTorch正确识别环境搭建最核心的一环已经通过。如果输出False请检查是否安装的是CPU版本或者显卡驱动是否有问题。2.3 安装 ultralytics 并验证基础依赖PyTorch就绪后剩下就很简单了pip install ultralytics执行完成后输入yolo命令如果出现ultralytics的帮助提示说明CLI工具正常可用。这个包会把推理、训练、导出所需的全部依赖自动装齐包括opencv-python、pandas、matplotlib等。这里有个细节pip install ultralytics会自动匹配机器现有环境如果检测到合适的torch就不重复安装但如果你前面跳过了torch安装它也会自动补上。不过自动补上的torch往往是默认源里的CPU版所以我建议还是先手动装好PyTorch再装ultralytics这样你能明确掌控整个环境。3. 第一次推理让 YOLO26 真正跑起来环境装完后别急着上训练先跑一次推理。这一步能快速暴露绝大部分环境问题而且边际成本最低。3.1 最小推理代码与结果解析在yolo26环境里创建一个test_infer.py文件内容如下from ultralytics import YOLO # 使用 YOLO26 nano 模型首次执行会自动下载权重 model YOLO(yolo26n.pt) # 直接用官方示例图片做测试 results model.predict( sourcehttps://ultralytics.com/images/bus.jpg, saveTrue, conf0.25, ) # 输出检测框坐标 boxes results[0].boxes if boxes is not None: print(检测到目标数量:, len(boxes)) print(坐标信息:, boxes.xyxy[:2])执行python test_infer.py如果一切正常你会在runs/detect/predict/目录下看到带检测框的结果图片终端打印出检测到的人数、车的数量等。这张图的意义不只是“跑通了”更代表从数据加载、模型加载到前向推理的整条链路全部打通。yolo26n.pt是YOLO26系列的nano版本尺寸最小、速度最快。其他尺寸包括s、m、l、x分别对应从小到大。首次执行会联网下载权重文件网络环境正常的话几秒就完成。3.2 首次运行最常见的三个报错我自己在不同机器上测试过以下几个报错出现频率最高报错信息根本原因解决方案ModuleNotFoundError: No module named torch没有安装PyTorch或环境未激活先执行conda activate yolo26AssertionError: CUDA unavailable显卡驱动过旧或装成了CPU版用nvidia-smi查驱动重新安装匹配的GPU版PyTorchImportError: libGL.so.1: cannot open shared object fileLinux下OpenCV缺少系统图形库sudo apt update sudo apt install libgl1 libglib2.0-0 -y第三个报错在Ubuntu服务器上尤其常见。OpenCV依赖系统的图形接口库但轻量的服务器版系统默认不装这些库遇到时直接装就行别去重装opencv-python那样往往更麻烦。3.3 没有独立显卡的 CPU 推理方案纯CPU环境也能跑YOLO26但速度和GPU比有明显差距。我用一台i7-12700H处理器的老笔记本测过对640x640的输入图像做一次推理大约需要600到1500毫秒而GPU上只需几毫秒。如果你只是验证模型效果或者做少量图片推理这个速度完全能接受。代码和GPU版本基本一致只要在predict参数里显式指定设备results model.predict(sourcebus.jpg, devicecpu)如果你明确自己只有CPU却在等待时发现速度异常慢可以关注一下是否触发了OpenMP线程数限制。设置一下环境变量能让多核CPU利用率明显提升export OMP_NUM_THREADS8不过归根结底CPU只适合学习验证和轻量推理真正做训练还是建议想办法搞一块显卡。4. 从推理到训练自定义数据集才是环境的真正考验推理跑通只是幼儿园阶段环境是不是真的稳得丢一个自定义数据集进去训练才知道。训练过程中的显存分配、数据加载、算子兼容性都会直接考验你环境配置的完整性。4.1 YOLO 格式数据集与 data.yaml先准备数据集。YOLO格式标注的核心是图片和对应的txt标注文件放在各自目录下每行标注代表一个目标格式为类别id x_center y_center width height后四个值都是归一化后的0到1之间的小数。目录结构推荐这样做dataset/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ │ └── val/ └── data.yamldata.yaml是数据集的配置文件内容大概这样path: dataset train: images/train val: images/val nc: 2 names: [cat, dog]其中path是相对于当前工作目录的路径nc是类别总数names是类别名称列表。位置信息用的是相对路径这样整个数据集目录可以随意挪动只要path改成正确的相对位置就行。如果你已经有标注好的COCO格式或其他格式数据可以用ultralytics自带的转换工具或脚本转成YOLO格式。这一步的错误率很高建议转换后随机抽查几张图片确认标注框在目标上。4.2 训练命令和显存的关系数据集准备好后执行训练命令yolo detect train \ datadata.yaml \ modelyolo26n.pt \ epochs100 \ imgsz640 \ batch8这里的四个关键参数基本决定了你的显卡能不能扛住训练参数作用显存不足时的对策imgsz输入图像尺寸从640降到512或416显存压力骤减batch每次迭代处理图片数从8降到4或2model模型复杂度nano占用最少x最大epochs训练轮数和显存无关和训练时长有关Ultralytics框架在指定batch-1时能自动探测合适的batch大小新手可以直接用yolo detect train datadata.yaml modelyolo26n.pt epochs100 imgsz640 batch-1但别完全依赖它。自动探测逻辑相对保守有时候给出来的batch太小导致训练速度偏慢。先让它自动跑一次观察显存占用情况再手动调整。如果训练过程中报CUDA out of memory不要慌。优先把batch降到4imgsz降到512这两个操作能解决绝大部分OOM问题。如果还不行试试modelyolo26s.pt换更小的预训练模型。还有一个容易忽略的点workers参数控制数据加载的进程数。Windows下设置过大容易引发多进程加载报错常规建议是设成0或2yolo detect train datadata.yaml modelyolo26n.pt epochs100 imgsz640 workers24.3 验证训练结果并找到权重文件训练完成后结果保存在runs/detect/train/目录下。你可以看到weights/best.pt和weights/last.pt两个权重文件。best.pt是验证集上表现最好的模型last.pt是最后一轮结束时的模型。绝大多数实际使用场景直接拿best.pt就行。验证一下训练出的模型效果from ultralytics import YOLO best_model YOLO(runs/detect/train/weights/best.pt) results best_model.predict(sourcetest_image.jpg, saveTrue, conf0.25)这一步能同时检验训练权重是否完整、推理链路是否正常、类别映射是否正确。如果你在results[0].names里看到的类别和数据集定义不一致回头检查data.yaml的names顺序YOLO格式标注里类别id是和names列表索引一一对应的。5. 环境出问题时的排错思路和自保手段训练跑通了不代表以后就不会出问题。深度学习环境本质上是无数个版本约束的叠加任何一个变动都可能牵一发动全身。我把自己常用的排错思路和环境管理习惯分享出来遇到问题能少走很多弯路。5.1 一个典型报错的完整排查链路某次我在Ubuntu服务器上重装YOLO26环境首次推理时报了个AttributeError: NoneType object has no attribute shape。乍一看像代码问题实际排查后发现是多层因素叠加导致的。我的排查链路是这样的先检查模型文件是否完整确认没问题后检查输入图片是否能正常读取用cv2.imread测了一下发现返回None说明OpenCV读图失败。继续往下查发现是Python的OpenCV版本和numpy版本不兼容读图时直接静默返回空对象。最终解决办法是固定兼容版本pip install numpy1.26.4 opencv-python4.9.0.80这种问题最坑的地方在于它不直接报“版本冲突”而是报一个看起来毫无关联的NoneType错误。所以我总结出一个原则**推理或训练链路中出现的奇怪报错先检查依赖版本再怀疑代码逻辑。**用pip list查一遍版本组合比逐行读代码有效得多。5.2 锁版本环境复现的关键习惯很多人习惯pip install ultralytics装完就跑等项目过几个月要重新部署到另一台机器时发现怎么都复现不了。原因很简单你当时装的是当时的最新版几个月后升级的新版本可能改变了接口行为。我现在的做法是每次环境跑通后立刻生成一份依赖清单pip freeze requirements.txt这份文件记录了当前环境所有包及其精确版本。换机器时一条命令复现pip install -r requirements.txtconda环境下还可以导出完整的创建信息conda env export environment.yml之后用conda env create -f environment.yml恢复整个环境。不过这个文件包含包管理器的具体版本跨操作系统可能会有小范围不适配需要留意。5.3 多环境切换和磁盘清理的实用经验环境用久了conda里会积攒一堆用不到的包占用几十GB磁盘空间。当你切换到某个环境报No space left on device时先看看是不是环境目录爆了。几个常用命令conda env list conda remove -n unused_env --all conda clean -a -yconda clean能清理所有缓存安装包腾出大量空间且不影响已有环境。如果你同时维护多个深度学习项目建议为每个项目建独立环境并明确在项目根目录放一个README.md记录环境名称、Python版本、关键依赖版本和复现命令。这个习惯能让你半年后再看这个项目时完全不卡壳。