【YOLO26 训练实战系列1】YOLO26实战教程来了：一文带你搞懂，使用YOLO26完成模型构建、训练、测试与部署验证，轻松训练自定义数据集的训练指南，小白入门首选

YOLO26训练自己的数据集

从代码下载、环境配置、数据集准备、模型训练到实例测试

写在前面

本文面向第一次使用 YOLO26 训练自定义目标检测数据集的读者，目标是把“源码在哪里下载、环境怎样安装、数据集怎么摆放、训练代码每一项是什么意思、训练结果到哪里查看、如何使用 best.pt 做真实图片与视频测试”完整串联起来。按照本文步骤操作，最终将得到一套可以复用的训练、验证、断点续训和推理脚本。

你将完成的工作

• 下载官方或定制版 Ultralytics 源码，并以开发模式安装本地代码。
• 检查 Python、PyTorch、CUDA 和 GPU 是否可用。
• 按照 YOLO 格式组织 images、labels 和 data.yaml。
• 使用 yolo26.yaml 从头训练，或根据兼容情况加载预训练权重。
• 理解 cache、imgsz、epochs、batch、close_mosaic、workers、resume、amp、project、name 等参数。
• 读取 weights/best.pt、results.csv、results.png、混淆矩阵和 PR 曲线。
• 在验证集或测试集上评估，并对单张图片、文件夹、视频和摄像头进行实例测试。

本文目录

YOLO26训练自己的数据集

从代码下载、环境配置、数据集准备、模型训练到实例测试

1. 整体流程与项目目录

1.1 推荐项目结构

2. 下载源码与安装环境

2.1 先确认你需要哪一种源码

2.2 克隆官方源码的标准方式

2.3 创建YOLO26 虚拟环境

2.4 安装 PyTorch

2.5 下载YOLO26 的官方Ultralytics 源码

2.6 检查基础环境

3. 检查自定义 yolo26-DMSSP.yaml 模型

3.1 模型配置文件必须存在

3.2 自定义层也必须能够被解析

3.3 从头训练还是使用预训练权重

4. 准备自己的数据集与 data.yaml

4.1 目标检测数据集目录

4.2 data.yaml 完整示例

5. 完整训练代码

5.1 推荐的稳健版本

6. 训练代码逐行解读

6.1 忽略警告信息

6.2 导入 YOLO 类

6.3 Windows 必须使用 main 保护

6.4 构建检测模型

6.5 加载预训练权重

6.6 model.train(…) 参数总表

6.7 cache=False

6.8 imgsz=640

6.9 epochs=30

6.10 batch=4

6.11 close_mosaic=0 的真实含义

6.12 workers=0

6.13 patience、resume 与 amp

6.14 project 和 name

7. 启动训练与查看输出

7.1 在项目根目录打开终端

7.2 第一次不要直接训练 300 个 epoch

7.3 训练日志重点看什么

7.4 训练输出目录

8. 训练指标与结果文件解读

8.1 best.pt 与 last.pt

8.2 Precision、Recall、mAP50 和 mAP50-95

8.3 results.csv

8.4 混淆矩阵和曲线

9. 测试集验证与断点续训

9.1 使用 best.pt 验证 test 集

9.2 断点续训

10. 使用 best.pt 完成实例测试

10.1 单张图片测试

10.2 测试整个图片文件夹

10.3 视频测试

10.4 摄像头实时测试

10.5 conf 和 imgsz 如何选择

10.6 查看预测结果对象

11. 常见报错及解决方法

11.1 训练前自动检查脚本

12. 参数调整与训练优化建议

12.1 推荐的实验顺序

12.2 不同硬件的起始建议

12.3 小目标检测任务建议

12.4 是否应该开启预训练

13. 可直接复制的完整脚本

13.1 训练脚本 train_yolo26.py

13.2 测试集验证脚本 val_yolo26.py

13.3 图片实例测试脚本 predict_yolo26.py

13.4 断点续训脚本 resume_yolo26.py

13.5 data.yaml 模板

13.6 一组可直接运行的命令

14. 训练前后检查清单与参考资料

14.1 训练前检查清单

14.2 训练后检查清单

结语

1. 整体流程与项目目录

一次完整的 YOLO26 自定义数据集训练，可以拆分成“源码与环境、数据与配置、模型初始化、训练、验证、推理测试”六个阶段。建议先跑通最小流程，再增加训练轮数、调整模型结构或加入预训练权重。

训练全流程

1.1 推荐项目结构

推荐目录

2. 下载源码与安装环境

2.1 先确认你需要哪一种源码

如果只是训练官方 YOLO26，可以直接安装 ultralytics 包或克隆官方仓库。

eg:若要运行 yolo26-LPRM.yaml，则必须获取包含 enhance26 目录、LPRM 自定义层及相应解析注册代码的定制版仓库。

仅下载一个 YAML 文件通常不够，因为 YAML 中引用的自定义模块还需要在 Python 源码中定义并注册。

2.2 克隆官方源码的标准方式

Git 下载

官方文档推荐可以通过 pip 安装稳定版，也可以克隆仓库后以开发模式安装源码。

开发模式的好处是：修改本地 Python 文件或模型配置后，当前环境会立即使用这些修改，而不是仍然调用 site-packages 中的另一个版本。文中训练自定义结构时更推荐源码开发模式。

2.3 创建YOLO26 虚拟环境

虚拟环境可以隔离不同项目的依赖，避免其他项目的 PyTorch、CUDA 或 ultralytics 版本影响当前训练。以下命令选择 Conda 或 venv 任意一种即可。

创建并激活环境

进入yolo26虚拟环境后，安装YOLO26需要的包文件：

1.进入虚拟环境指令：conda activate yolo26 

2.安装指令：pip install ultralytics

！！！安装ultralytics包要求：在 Python>=3.8 环境中安装包，使用 PyTorch>=1.8。：

2.4 安装 PyTorch

PyTorch 安装命令与显卡驱动、CUDA 运行时和操作系统有关，不建议在教程中永久固定某一条 CUDA 命令。最稳妥的做法是根据本机环境使用 PyTorch 官方安装选择器生成命令。安装后再通过 torch.cuda.is_available() 检查 GPU 是否可用。

检查 PyTorch 与 GPU

显示下面的信息：

torch: 2.7.0+cu128 cuda available: True cuda: 12.8 device: NVIDIA GeForce RTX 5060 Laptop GPU

2.5 下载YOLO26 的官方Ultralytics 源码

点击链接自动跳转，进入YOLO26官方网站，下载源码

2.6 检查基础环境

快速环境检查

其中 nvidia-smi 只适用于 NVIDIA GPU。训练时如果未显式设置 device，Ultralytics 会在可用时选择 GPU，否则使用 CPU；正式训练建议显式指定 device=0，以免误在 CPU 上运行较大模型。

3. 检查 yolo26.yaml 模型

3.1 模型配置文件必须存在

检查 YAML 文件

如果输出 exists: False，说明模型路径写错、文件未复制到位，或当前工作目录不正确。不要直接改成一个“看起来像”的路径；应先找到真实文件位置。

3.2 自定义层也必须能够被解析

模型 YAML 一般会在 backbone 或 head 中引用模块名称。

举例：若 yolo26-DMSSP.yaml 使用了DMSSP 或其他自定义层，仅有 YAML 文件仍无法运行。对应 Python 类需要存在于源码中，并在 Ultralytics 模块解析链路中可导入。

常见错误是 KeyError、NameError 或模块参数数量不匹配。

test_model_build.py

from ultralytics import YOLO

model = YOLO(
'./ultralytics/cfg/models/26/yolo26.yaml',
task='detect'
)
model.info()

举例：自定义DMSSP模块

3.3 从头训练还是使用预训练权重

本文给出的代码通过 YAML 构建模型，且 model.load(…) 被注释，因此默认是从随机初始化权重开始训练。官方文档通常推荐在模型结构兼容时从预训练权重开始，因为收敛更快、对小数据集更友好；也支持“先用 YAML 构建结构，再调用 load() 迁移兼容权重”；如果模型yaml文件改动比较大，就不建议加载预训练权重，可以直接训练到模型拟合。

4. 准备自己的数据集与 data.yaml

4.1 目标检测数据集目录

标准目录

图片与标签通过“同名主文件名”对应，例如 images/train/0001.jpg 对应 labels/train/0001.txt。Ultralytics 的检测标签格式是一张图片对应一个 TXT，每行一个目标，格式为 class x_center y_center width height，边界框坐标需要归一化到 0～1，类别编号从 0 开始。

标签示例：0001.txt

4.2 data.yaml 完整示例

datasets/data.yaml

5. 完整训练代码

下面先完整保留你提供的训练代码，随后逐项解释。该脚本需要放在项目根目录运行，并确保模型 YAML 与 data.yaml 路径存在。

train_yolo26.py（推荐版1）

import warnings
warnings.filterwarnings('ignore')
from ultralytics import YOLO

if __name__ == '__main__':
model = YOLO(
'./ultralytics/cfg/models/26/yolo26.yaml',
task='detect'
) # detect, segment, classify, pose, obb
# model.load('yolo26n.pt') # loading pretrain weights
model.train(
data='./datasets/data.yaml',
cache=False,
imgsz=640,
epochs=300,
batch=4,
close_mosaic=0,
# 最后多少个 epoch 关闭 mosaic 数据增强；0 表示全程保持 mosaic
workers=0,
# Windows 下出现卡住可尝试 workers=0
# patience=0, # 设置 0 关闭 early stopping
# resume=True, # 断点续训时应在 YOLO 初始化时加载 last.pt
# amp=False, # loss 出现 NaN 可尝试关闭 AMP
project='runs/train',
name='exp',
)

5.1 推荐的稳健版本

下面的版本增加了路径检查、device、seed、exist_ok 和结果返回值，更适合持续实验。路径仍以你的项目为例。

train_yolo26.py（推荐版2）

import warnings
from pathlib import Path
warnings.filterwarnings('ignore')
from ultralytics import YOLO

ROOT = Path(__file__).resolve().parent
MODEL_YAML = ROOT / 'ultralytics/cfg/models/26/yolo26.yaml'
DATA_YAML = ROOT / 'datasets/data.yaml'

if __name__ == '__main__':
if not MODEL_YAML.is_file():
raise FileNotFoundError(f'模型配置不存在：{MODEL_YAML}')
if not DATA_YAML.is_file():
raise FileNotFoundError(f'数据配置不存在：{DATA_YAML}')
# 使用自定义 YAML 构建检测模型；默认从随机权重开始训练
model = YOLO(str(MODEL_YAML), task='detect')
# 只有确认结构兼容时再加载预训练权重
# model.load(str(ROOT / 'weights/yolo26n.pt'))
results = model.train(
data=str(DATA_YAML),
cache=False,
imgsz=640,
epochs=300,
batch=4,
close_mosaic=0,
workers=0,
device=0, # 无 NVIDIA GPU 时改为 'cpu'
seed=0,
patience=100,
amp=True,
project=str(ROOT / 'runs/train'),
name='exp_DMSSP',
exist_ok=False,
plots=True,
)

print('训练结束。结果保存目录：', results.save_dir)

6. 训练代码逐行解读

6.1 忽略警告信息

该设置会隐藏 Python 警告，让终端输出更简洁，但也可能把版本兼容、弃用接口或数据问题提示一起隐藏。首次搭建环境或排查错误时，建议临时删除这两行，让所有警告显示出来。

6.2 导入 YOLO 类

YOLO 类是 Ultralytics Python API 的统一入口，可以通过模型 YAML 或 .pt 权重创建模型，然后调用 train、val、predict、export 等模式.

6.3 Windows 必须使用 main 保护

Windows 的多进程数据加载使用 spawn 方式。如果训练脚本缺少 main 保护，子进程可能反复执行整份脚本，引发 RuntimeError、重复创建进程或训练卡住。Ultralytics 官方训练文档也明确提醒 Windows 脚本使用这一结构。

6.4 构建检测模型

第一个参数是模型架构 YAML 路径，YOLO 会根据配置构建网络。task="detect" 明确指定目标检测任务。虽然 YOLO 类通常能够从文件自动判断任务，但自定义配置解析不完整时显式指定 task 更稳妥。

6.5 加载预训练权重

当前行被注释，因此不会加载权重。取消注释后，load() 会尝试把权重映射到当前 YAML 构建的模型中。只要模型结构发生变化，就可能只有一部分参数成功加载。训练日志一般会显示迁移了多少项权重，必须关注该提示。

6.6 model.train(…) 参数总表

6.7 cache=False

cache=False 表示训练时按需从磁盘读取图片。机械硬盘或网络盘读取较慢时，可以尝试 cache="disk"；内存充足时可尝试 cache=True。不要为了追求速度盲目缓存大型数据集，内存不足会导致系统频繁交换甚至训练崩溃。官方训练参数支持关闭缓存、内存缓存和磁盘缓存。

6.8 imgsz=640

训练时图片会按 YOLO 数据管线缩放和填充到目标尺寸。640 是常见起点。车牌、微小缺陷、遥感小目标等场景可以尝试 800、960 或更高，但需要同步降低 batch。评价不同 imgsz 时，必须保持数据划分、随机种子和其他训练设置一致。

6.9 epochs=30

30 个 epoch 更像“流程验证”或小规模初始实验。是否足够不能只看数字，应观察验证 mAP、训练损失和验证损失是否仍在改善。如果曲线在第 30 个 epoch 仍明显上升，说明应继续训练；如果验证指标长时间不提升甚至下降，可能已经过拟合。

6.10 batch=4

batch 由显存决定。显存不足时优先降低 batch，其次降低 imgsz 或改用更小模型。当前官方训练参数还支持 batch=-1 自动尝试约 60% 显存利用率，或使用小数指定目标显存比例。

6.11 close_mosaic=0 的真实含义

close_mosaic=N 表示在最后 N 个 epoch 关闭 Mosaic，以便训练末期回到更接近真实图片的分布并稳定优化。设置 0 并不是关闭 Mosaic，而是关闭“末期关闭 Mosaic 的机制”，即训练全过程仍可能启用 Mosaic。你原代码的注释解释是正确的。官方训练设置中的默认值通常为 10。

6.12 workers=0

workers 表示每个训练进程用于加载数据的工作进程数。Windows、IDE、网络磁盘或自定义数据增强环境中，workers>0 有时会卡住或报多进程错误；设置 0 表示在主进程加载，稳定但速度可能较慢。环境稳定后可以尝试 2、4 或 8。

6.13 patience、resume 与 amp

patience 控制早停；resume 用于完整恢复训练状态；amp 控制自动混合精度。这三个参数解决的是不同问题，不能混为一谈。

6.14 project 和 name

训练结果通常保存到 runs/train/exp。重复运行时，如果目录已存在且不允许覆盖，框架可能自动递增到 exp2、exp3。为了避免不同模型结果混在一起，建议使用能表达模型与实验设置的名称，例如 exp_yolo26_DMSSP_640_seed0。

7. 启动训练与查看输出

7.1 在项目根目录打开终端

Windows CMD

Windows PowerShell

7.2 第一次不要直接训练 300 个 epoch

建议先做一次 1～3 epoch 测试，确认模型可构建、数据可读取、标签无错误、GPU 正常、输出目录正确。最小测试通过后再恢复正式 epochs。

模型测试设置

7.3 训练日志重点看什么

• 模型是否成功解析，参数量和 GFLOPs 是否符合预期。
• GPU_mem：显存占用是否稳定，是否接近上限。
• box_loss、cls_loss、dfl_loss 或自定义损失是否为有限数值。
• Instances：批次中的目标数量是否长期为 0。
• Precision、Recall、mAP50、mAP50-95 是否随训练改善。
• 是否出现 corrupt image、missing label、duplicate label、NaN 或 CUDA out of memory。

7.4 训练输出目录

典型输出

文件名可能随版本、任务和自定义分支略有变化。官方性能指标文档说明，PR、P、R、F1 曲线和混淆矩阵是分析阈值、类别混淆和召回情况的重要可视化。

8. 训练指标与结果文件解读

8.1 best.pt 与 last.pt

8.2 Precision、Recall、mAP50 和 mAP50-95

8.3 results.csv

results.csv 按 epoch 保存训练损失、验证指标和学习率。它最适合做二次绘图、对比不同实验和判断最佳 epoch。不要只看最后一行；最好比较 best.pt 对应的 epoch、验证 mAP 峰值以及训练/验证损失变化。

8.4 混淆矩阵和曲线

• confusion_matrix.png：查看类别之间的混淆、漏检和背景误报。
• BoxPR_curve.png：观察 Precision 与 Recall 的权衡。
• BoxF1_curve.png：寻找综合 Precision 与 Recall 的较合理置信度阈值。
• BoxP_curve.png / BoxR_curve.png：观察置信度变化对精确率和召回率的影响。
• val_batch*_labels.jpg 与 val_batch*_pred.jpg：直接检查标注和模型预测是否合理。

9. 测试集验证与断点续训

9.1 使用 best.pt 验证 test 集

val_yolo26.py

Ultralytics 验证模式支持通过 split="val"、"test" 或 "train" 选择评估的数据集部分。最终论文或项目报告应明确使用的是 val 还是独立 test 集。

9.2 断点续训

resume_yolo26.py

from pathlib import Path
from ultralytics import YOLO

ROOT = Path(__file__).resolve().parent
LAST_PT = ROOT / 'runs/train/exp/weights/last.pt'

if __name__ == '__main__':
if not LAST_PT.is_file():
raise FileNotFoundError(f'未找到断点权重：{LAST_PT}')

model = YOLO(str(LAST_PT))
model.train(resume=True)

resume=True 与“加载 best.pt 后重新 train”不同。真正的断点续训会恢复优化器状态、学习率调度器和已经完成的 epoch。官方文档建议先用 last.pt 初始化模型，再调用 train(resume=True)。

10. 使用 best.pt 完成实例测试

训练完成后，应使用 best.pt 在完全未参与训练的真实图片和视频上测试。Ultralytics Predict 模式支持图片、目录、视频、网络流和摄像头等多种 source。[8]

10.1 单张图片测试

predict_yolo26.py

from pathlib import Path
from ultralytics import YOLO

ROOT = Path(__file__).resolve().parent
WEIGHTS = ROOT / 'runs/train/exp/weights/best.pt'
SOURCE = ROOT / 'test_images/example.jpg'

if __name__ == '__main__':
if not WEIGHTS.is_file():
raise FileNotFoundError(f'权重不存在：{WEIGHTS}')
if not SOURCE.is_file():
raise FileNotFoundError(f'测试图片不存在：{SOURCE}')

model = YOLO(str(WEIGHTS))
results = model.predict(
source=str(SOURCE),
imgsz=640,
conf=0.25,
device=0,
save=True,
save_txt=True,
save_conf=True,
project=str(ROOT / 'runs/predict'),
name='single_image',
)

for result in results:
print('图片：', result.path)
print('检测框数量：', len(result.boxes))
if result.boxes is not None:
print('类别：', result.boxes.cls.cpu().tolist())
print('置信度：', result.boxes.conf.cpu().tolist())

10.2 测试整个图片文件夹

model.predict(
source='./test_images',
imgsz=640,
conf=0.25,
save=True,
project='runs/predict',
name='image_folder'
)

10.3 视频测试

model.predict(
source='./test_videos/demo.mp4',
imgsz=640,
conf=0.25,
save=True,
project='runs/predict',
name='video_demo'
)

10.4 摄像头实时测试

model.predict(
source=0,
imgsz=640,
conf=0.25,
show=True,
save=False,
device=0
)

source=0 通常表示第一个摄像头；有多个摄像头时可尝试 1、2。服务器或无图形界面环境不适合 show=True，应使用 save=True 或通过 OpenCV 自行处理结果。

10.5 conf 和 imgsz 如何选择

10.6 查看预测结果对象

for result in results:
print(result.names) # 类别字典
print(result.boxes.xyxy) # 左上角与右下角坐标
print(result.boxes.xywh) # 中心点和宽高
print(result.boxes.conf) # 置信度
print(result.boxes.cls) # 类别编号
annotated = result.plot() # 绘制后的图像数组

11. 常见报错及解决方法

11.1 训练前自动检查脚本

check_environment.py

from pathlib import Path
import sys
import torch
import ultralytics

ROOT = Path(__file__).resolve().parent
MODEL = ROOT / 'ultralytics/cfg/models/enhance26/yolo26-LPRM.yaml'
DATA = ROOT / 'datasets/data.yaml'

print('Python:', sys.version)
print('Ultralytics:', ultralytics.__file__)
print('Torch:', torch.__version__)
print('CUDA available:', torch.cuda.is_available())
print('CUDA runtime:', torch.version.cuda)
if torch.cuda.is_available():
print('GPU:', torch.cuda.get_device_name(0))
print('Model YAML:', MODEL, MODEL.exists())
print('Data YAML:', DATA, DATA.exists())

12. 参数调整与训练优化建议

12.1 推荐的实验顺序

12.2 不同硬件的起始建议

12.3 小目标检测任务建议

• 确保标注框紧贴目标，过松或偏移会直接限制定位上限。
• 测试更大的 imgsz，例如 800、960，并同步减小 batch。
• 检查训练集是否包含远距离、模糊、夜间、逆光、遮挡和倾斜样本。
• 按视频、车辆或场景分组划分，避免连续帧泄漏到训练和测试两边。
• 关注 Recall 与失败样例，而不是只追求整体 mAP。
• 若使用自定义小目标结构，应与官方基线在完全相同的数据和参数下比较。

12.4 是否应该开启预训练

小数据集通常更适合预训练，但自定义模型能否加载官方权重要看结构兼容性。

建议设计三个可复现实验：官方 YOLO26 预训练微调、自定义结构从头训练、自定义结构加载兼容权重。

用同一数据划分和训练设置比较，才能判断 DMSSP 改进模块 的真实收益。

13. 可直接复制的完整脚本

本节把训练、验证、预测和断点续训脚本集中放在一起。复制后只需修改路径。

13.1 训练脚本 train_yolo26.py

import warnings
from pathlib import Path

warnings.filterwarnings('ignore')

from ultralytics import YOLO

ROOT = Path(__file__).resolve().parent
MODEL_YAML = ROOT / 'ultralytics/cfg/models/26/yolo26.yaml'
DATA_YAML = ROOT / 'datasets/data.yaml'

if __name__ == '__main__':
if not MODEL_YAML.is_file():
raise FileNotFoundError(f'模型配置不存在：{MODEL_YAML}')
if not DATA_YAML.is_file():
raise FileNotFoundError(f'数据配置不存在：{DATA_YAML}')

# 使用自定义 YAML 构建检测模型；默认从随机权重开始训练
model = YOLO(str(MODEL_YAML), task='detect')

# 只有确认结构兼容时再加载预训练权重
# model.load(str(ROOT / 'weights/yolo26n.pt'))

results = model.train(
data=str(DATA_YAML),
cache=False,
imgsz=640,
epochs=30,
batch=4,
close_mosaic=0,
workers=0,
device=0, # 无 NVIDIA GPU 时改为 'cpu'
seed=0,
patience=100,
amp=True,
project=str(ROOT / 'runs/train'),
name='exp_lprm',
exist_ok=False,
plots=True,
)

print('训练结束。结果保存目录：', results.save_dir)

13.2 测试集验证脚本 val_yolo26.py

from pathlib import Path
from ultralytics import YOLO

ROOT = Path(__file__).resolve().parent
WEIGHTS = ROOT / 'runs/train/exp/weights/best.pt'
DATA_YAML = ROOT / 'datasets/data.yaml'

if __name__ == '__main__':
model = YOLO(str(WEIGHTS))
metrics = model.val(
data=str(DATA_YAML),
split='test',
imgsz=640,
batch=4,
workers=0,
device=0,
plots=True,
project=str(ROOT / 'runs/val'),
name='exp_test',
)

print('mAP50-95:', metrics.box.map)
print('mAP50:', metrics.box.map50)
print('mAP75:', metrics.box.map75)

13.3 图片实例测试脚本 predict_yolo26.py

from pathlib import Path
from ultralytics import YOLO

ROOT = Path(__file__).resolve().parent
WEIGHTS = ROOT / 'runs/train/exp/weights/best.pt'
SOURCE = ROOT / 'test_images/example.jpg'

if __name__ == '__main__':
if not WEIGHTS.is_file():
raise FileNotFoundError(f'权重不存在：{WEIGHTS}')
if not SOURCE.is_file():
raise FileNotFoundError(f'测试图片不存在：{SOURCE}')

model = YOLO(str(WEIGHTS))
results = model.predict(
source=str(SOURCE),
imgsz=640,
conf=0.25,
device=0,
save=True,
save_txt=True,
save_conf=True,
project=str(ROOT / 'runs/predict'),
name='single_image',
)

for result in results:
print('图片：', result.path)
print('检测框数量：', len(result.boxes))
if result.boxes is not None:
print('类别：', result.boxes.cls.cpu().tolist())
print('置信度：', result.boxes.conf.cpu().tolist())

13.4 断点续训脚本 resume_yolo26.py

from pathlib import Path
from ultralytics import YOLO

ROOT = Path(__file__).resolve().parent
LAST_PT = ROOT / 'runs/train/exp/weights/last.pt'

if __name__ == '__main__':
if not LAST_PT.is_file():
raise FileNotFoundError(f'未找到断点权重：{LAST_PT}')

model = YOLO(str(LAST_PT))
model.train(resume=True)

13.5 data.yaml 模板

13.6 一组可直接运行的命令

14. 训练前后检查清单与参考资料

14.1 训练前检查清单

•  当前虚拟环境已激活。
• python -c "import ultralytics; print(ultralytics.__file__)" 指向当前定制源码。
• torch.cuda.is_available() 与 device 设置符合预期。
• yolo26-DMSSP.yaml 文件存在，自定义 LPRM 模块能够解析。
• data.yaml 路径正确，train、val、test 目录存在。
• 图片和 TXT 标签同名，类别编号与 names 一致。
• 训练集、验证集、测试集没有重复或连续帧泄漏。
• 先完成 1～3 epoch 训练测试。
• 实验 name 能区分模型、尺寸、随机种子和主要参数。

14.2 训练后检查清单

• weights/best.pt 与 last.pt 已保存。
•  results.csv 和 results.png 曲线正常，无明显 NaN。
• 查看训练/验证批次可视化，确认标签方向和类别正确。
• 查看混淆矩阵、PR 曲线和失败样例。
• 在独立 test 集运行 model.val(split="test")。
• 在真实图片、视频和复杂场景中测试 best.pt。
• 记录代码版本、数据版本、随机种子和训练参数。

结语

从自己的数据集训练 YOLO26，真正困难的部分往往不是调用 model.train()，而是确保“使用了正确的源码、模型结构能够解析、数据没有泄漏、训练过程可复现、测试样本足够真实”。本文给出的训练代码已经具备核心流程，本文补齐了源码安装、模型检查、数据配置、参数理解、结果分析、断点续训与实例测试。完成这些步骤后，就可以在同一套工程中继续进行结构改进、消融实验、模型压缩和部署导出。

到此为止本文的讲解就结束了,希望对大家对于YOLO26模型理解有帮助，希望本文能够帮助到大家。

YOLO26创新专栏目录：YOLO26涨点改进目录| 含Conv卷积、主干网络、注意力机制、Neck特征融合、检测头、知识蒸馏、模型剪枝、轻量化改进、损失函数、二次创新C2PSA/C3k2等各种顶会顶刊创新改进

YOLO26订阅专栏地址：全新YOLO26独家创新改进，适合高效发表SCI和CCF小论文、大论文写作。