本文目录
一、下载YOLO26源码
二、创新YOLO26虚拟环境
第一步创建一个自己的虚拟环境：
第二步进入到自己的虚拟环境：
第三步：安装pytorch,建议不要安装太新版本
第四步：直接复制以下所有命令到控制台回车运行
三、准备自己的数据集
将自己数据集放到datasets文件夹里
修改data.yaml 配置文件
四、训练自己的数据集
五、验证自己的模型效果
六、推理测试自己的模型
七、生成YOLO26可视化热力图
🔥欢迎订阅我的专栏、带你学习使用最新-最前沿-独家YOLO26创新改进！🔥
YOLO26专栏改进目录：全新YOLO26改进专栏包含卷积、主干网络、各种注意力机制、检测头、损失函数、Neck改进、小目标检测、二次创新模块、多种组合创新改进、全网独家创新等创新点改进
全新YOLO26专栏订阅链接：全新YOLO26创新改进高效涨点+永久更新中（至少500+改进）+高效跑实验发论文
一、下载YOLO26源码
YOLO26源码地址：ultralytics/ultralytics: Ultralytics YOLO 🚀
二、创新YOLO26虚拟环境
第一步创建一个自己的虚拟环境：
conda create -n new_name python=3.10
第二步进入到自己的虚拟环境：
conda activate new_name
第三步：安装pytorch,建议不要安装太新版本
pytorch官网：Previous PyTorch Versions
pip install torch==2.5.1 torchvision==0.20.1 torchaudio==2.5.1 –index-url https://download.pytorch.org/whl/cu121
第四步：直接复制以下所有命令到控制台回车运行
pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install torchsummary -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install onnx==1.14.0 -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install onnxruntime==1.15.1 -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install pycocotools==2.0.7 -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install PyYAML==6.0.1 -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install scipy==1.13.0 -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install onnxsim==0.4.36 -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install onnxruntime-gpu==1.18.0 -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install timm==1.0.7 thop efficientnet_pytorch==0.7.1 einops grad-cam==1.5.4 dill==0.3.6 albumentations pytorch_wavelets==1.3.0 tidecv PyWavelets -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install mmcv==2.2.0 -f https://download.openmmlab.com/mmcv/dist/cu121/torch2.3/index.html
三、准备自己的数据集
如果自己没有数据集，可以去这个官网上找公共数据集去练习：Roboflow Datasets
将自己数据集放到datasets文件夹里
修改data.yaml 配置文件
四、训练自己的数据集
创健train.py脚本
import warnings
warnings.filterwarnings('ignore')
from ultralytics import YOLO
# 模型配置文件
model_yaml_path = r"./ultralytics/cfg/models/add26/yolo26.yaml" # 创建一个 YOLO 模型实例，加载 yolo26.yaml 配置文件（Nano 版本）
#数据集配置文件
data_yaml_path = r'./datasets/data.yaml' # 指定数据集的配置文件，这里使用的是 data.yaml 配置文件
if __name__ == '__main__':
model = YOLO(model_yaml_path)
#model.load("yolo26n.pt") # 加载预训练权重，如果模型改动很大就不加载预训练权重（自选）
#训练模型
results = model.train(data=data_yaml_path, # 指定数据集的配置文件
imgsz=640, # 输入图像的尺寸，所有输入图像将被缩放到 640×640 像素
epochs=500, # 训练的轮数，模型将训练 500 个周期
batch=8, # 每次训练的批次大小，每次训练会用到 8 张图像
# amp=False, # 如果出现训练损失为Nan可以关闭amp
device="0", # device="0,1,2,3"训练时使用的 GPU 设备编号，这里使用编号为 0、1、2 和 3 的四个 GPU 进行训练。通常设置为0
project='runs/26train', # 保存训练结果文件夹
name='exp',
)
五、验证自己的模型效果
创健val.py脚本
from ultralytics import YOLO
import warnings
warnings.filterwarnings('ignore')
# 模型配置文件
model_yaml_path = r"./runs/26train/exp/weights/best.pt"
#数据集配置文件
data_yaml_path = r'./datasets/data.yaml'
if __name__ == '__main__':
model = YOLO(model_yaml_path)
model.val(data=data_yaml_path,
split='val',
imgsz=640,
batch=8,
project='runs/val',
name='exp',
save_json = True
)
六、推理测试自己的模型
创健predict.py脚本
import warnings
warnings.filterwarnings('ignore')
from ultralytics import YOLO
if __name__ == '__main__':
model = YOLO(r'./runs\\V11train\\exp\\weights\\best.pt') # 使用自己训练好的权重文件
model.predict(
source=r'./datasets\\data_name\\images\\test', # 预测的数据源，可以是图片、文件夹、视频路径等
imgsz=640, # 图片的输入尺寸
project='runs/detect', # 预测结果保存的项目目录
name='exp', # 子目录名（最终保存路径为 runs/detect/exp）
save=True, # 是否保存预测后的图片
# visualize=True, # 是否可视化中间特征图（默认注释掉，即不启用）
# show_conf=False, # 是否显示置信度（关闭显示）
# show_labels=False, # 是否显示标签（关闭显示）
)
七、生成YOLO26可视化热力图
创健YOLO26画热力图.py脚本
