训练你的第一个 YOLO 模型

从全新安装开始，将 Ultralytics YOLO26 用于自定义训练、验证和导出检测器。你将对图像进行预测、构建真实数据集、训练并诊断药丸检测器、在视频上运行带跟踪的模型，并导出为 ONNX，同时验证其结果与 PyTorch 一致。每一步都在笔记本电脑 CPU 上通过 Python 和 CLI 执行，并展示真实输出。关于数据集规划、采集和标注的内容，请参阅《构建高性能 YOLO 数据集》。

作者 Ultralytics Academy

开始课程登录以保存学习进度

你将学到什么

在自定义数据集上训练、验证并导出 Ultralytics YOLO26 模型，在视频上运行模型，并学习如何在每一步出错时进行诊断——既可以使用 Python，也可以使用命令行。

安装 Ultralytics，确认它将使用的设备，并通过 Python 和 CLI 运行 YOLO26 预测。
根据实测延迟预算选择模型尺寸，而不是依据排行榜。
按照 Ultralytics YOLO 格式组织数据集、转换标签，并编写一个可从任何位置解析的 data.yaml。
训练、验证、恢复训练并热启动运行，然后将验证产物整理成待修复清单。
流式处理视频并进行跟踪，然后导出为 ONNX、TensorRT、OpenVINO 等格式，并验证导出结果与 PyTorch 一致。

你将构建什么

一个 YOLO 格式的 药丸数据集，其中包含一个 data.yaml，且 Ultralytics 读取时没有任何损坏标签。
一个训练好的 best.pt 检测器，其验证指标与预训练基线并列展示。
一个流式 视频脚本，能够通过跟踪统计唯一对象，并检查处理速度能否跟上帧率。
一个 ONNX 导出模型，在匹配的设置下，其检测结果和 mAP 与 PyTorch 模型一致。

先修条件

Python 3.10+，并且能够熟练运行 Python 脚本和 shell 命令。
无需 GPU：本课程中的每个示例都能在几分钟内于笔记本电脑 CPU 上运行。NVIDIA GPU 或 Apple Silicon 可以加快较大规模的运行。
建议先完成 计算机视觉基础 和 构建高性能 YOLO 数据集。

课程内容

5 个模块 · 10 节课程

模块 1

设置

安装 Ultralytics

在干净的环境中安装 Ultralytics，查看 yolo 检查报告以确认设备，并通过一次预测验证设置是否正确。

模块 2

预测

对图像进行预测

在 Python 中运行预训练的 YOLO26 模型，从结果中读取类别、置信度和像素坐标框，并调整能解决大多数漏检问题的参数。

选择 Ultralytics YOLO 模型尺寸

比较 YOLO26 的 n、s、m、l 和 x 尺寸，在目标硬件上对它们进行基准测试，并选择满足延迟预算的最小尺寸。

模块 3

数据

准备自定义数据集

按照 Ultralytics YOLO 格式整理图像和标注，将像素框转换为归一化标注行，并在训练前找出有问题的标注。

编写数据集 YAML

编写 data.yaml，将 Ultralytics 指向你的文件夹并为类别命名；确保无论从哪个位置都能解析其中的路径，并用 yolo val 进行快速测试。

模块 4

训练

训练你的第一个模型

只需一次调用，就能在你的数据集上微调 YOLO26；逐行查看实时训练日志，并在运行文件夹中找到 best.pt 和重要图表。

验证与诊断

将 best.pt 与基线进行验证，查看混淆矩阵、各类别指标和预测图像，并据此制定具体的修正清单。

恢复运行并迭代

准确恢复中断的运行，从 best.pt 热启动新一轮并确保学习率设置生效，然后并排比较各次运行。

模块 5

部署

在视频上运行推理

在视频文件和实时摄像头画面上运行 YOLO26，以有界内存处理视频、跟踪对象并确保每个对象只计数一次，同时检查模型能否跟上帧率。

导出以便部署

将 best.pt 导出为 ONNX、OpenVINO、TensorRT、CoreML、LiteRT 或 QNN，然后在部署前验证导出模型与 PyTorch 模型一致。

Get Started

训练你的第一个 YOLO 模型

课程内容