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 python3.12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yolovoc 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( datacoco8.yaml, # 数据集配置文件路径 epochs100, # 训练周期数 imgsz640, # 训练图像尺寸 devicecpu, # 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(formatonnx) # 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。