安装与检查#

1
python -m venv .venv
2
source .venv/bin/activate
3
python -m pip install --upgrade ultralytics
4

5
yolo checks
6
python -c "import ultralytics; print(ultralytics.__version__)"

YOLO26 需要支持该模型的新版 ultralytics 包。生产项目应固定测试通过的版本，不要在构建过程中自动升级到任意最新版。

模型与任务#

常见模型命名：

• 检测：yolo26n.pt、yolo26s.pt 等。
• 实例分割：yolo26n-seg.pt。
• 语义分割：yolo26n-sem.pt。
• 深度估计：yolo26n-depth.pt。
• 姿态：yolo26n-pose.pt。
• OBB：yolo26n-obb.pt。
• 分类：yolo26n-cls.pt。

先根据任务选择正确模型家族，再选择 n/s/m/l/x 尺寸。不同任务的标注格式、输出对象和评估指标不同。

快速推理#

CLI：

1
yolo predict model=yolo26n.pt source=images/ imgsz=640 conf=0.25

Python：

1
from ultralytics import YOLO
2

3
model = YOLO("yolo26n.pt")
4
results = model.predict(
5
    source="images/example.jpg",
6
    imgsz=640,
7
    conf=0.25,
8
)
9

10
for result in results:
11
    print(result.boxes.xyxy)
12
    print(result.boxes.conf)

YOLO26 默认端到端推理路径与旧版本后处理可能不同。迁移时不要假设历史 NMS 参数、输出张量和插件代码可以原样复用。

训练检测模型#

1
yolo detect train \
2
  model=yolo26n.pt \
3
  data=data.yaml \
4
  epochs=100 \
5
  imgsz=640 \
6
  batch=16 \
7
  device=0 \
8
  project=runs/yolo26 \
9
  name=baseline

Python：

1
from ultralytics import YOLO
2

3
model = YOLO("yolo26n.pt")
4
model.train(
5
    data="data.yaml",
6
    epochs=100,
7
    imgsz=640,
8
    batch=16,
9
    device=0,
10
    project="runs/yolo26",
11
    name="baseline",
12
)

官方预训练检查点已经包含对应训练配方信息。微调时先从默认值建立基线，再根据数据规模和错误类型调整增强、学习率或模型尺寸。

验证#

1
yolo detect val \
2
  model=runs/yolo26/baseline/weights/best.pt \
3
  data=data.yaml \
4
  imgsz=640 \
5
  plots=True

除 mAP 外，还应检查：

• 每类召回率和误检；
• 小目标、遮挡、低照度场景；
• 置信度分布；
• 与 YOLO11 或旧生产模型的同集对比；
• 目标设备上的端到端延迟。

P2 与 P6 结构#

官方提供 yolo26-p2.yaml 和 yolo26-p6.yaml 等架构配置，用于更小目标或更大输入场景。它们是架构 YAML，并不代表每个尺寸都有现成预训练 .pt 权重。使用前应确认初始化方式和训练成本。

YOLOE-26#

YOLOE-26 用于开放词汇检测与分割，可通过文本或视觉提示处理训练时未固定的类别。它适合动态类别场景，但与普通闭集检测的数据、评估和部署需求不同，应单独验证。

迁移到 YOLO26#

• 用同一数据集重新训练，而不是只比较官方指标。
• 检查端到端输出和后处理接口变化。
• 重新测试 ONNX、TensorRT、OpenVINO 等导出。
• 保存新旧模型并进行灰度验证。
• 对延迟、功耗、内存和精度同时做基准。
• 阅读许可证，确认商业和分发方式符合要求。

参考资料#

• YOLO26 官方文档
• YOLO26 训练配方