YOLO26镜像环境切换教程：conda激活与目录复制详细步骤
这是一篇专为YOLO26新手准备的实操指南。如果你刚拿到最新版YOLO26官方训练与推理镜像，却卡在“怎么开始用”这一步——比如不知道该激活哪个环境、代码默认放在哪、改完代码怎么运行、训练结果怎么下载……别急，这篇教程会带你从零完成全部关键操作，不绕弯、不跳步、不假设你已懂任何前置知识。
我们全程聚焦一个目标：让你在5分钟内跑通第一次推理，在15分钟内完成第一次训练准备。所有命令都经过真实环境验证，截图对应实际界面，连路径名和文件名都原样保留，避免因命名差异导致失败。
1. 镜像基础信息速览
先建立整体认知：这个镜像不是空白系统，而是一个已调优的深度学习工作台。它不依赖你手动装CUDA、配PyTorch版本或解决依赖冲突——这些事已经做完。你只需要做三件事：切对环境、挪好代码、跑起脚本。
1.1 环境核心参数
| 组件 | 版本/配置 | 说明 |
|---|---|---|
| Python | 3.9.5 | 兼容性稳定，避免高版本兼容问题 |
| PyTorch | 1.10.0 | 与YOLO26官方代码严格匹配，非最新版但最稳 |
| CUDA | 12.1（底层驱动） +cudatoolkit=11.3（运行时） | 双版本协同，保障GPU加速可用 |
| 主框架 | ultralytics==8.4.2 | YOLO26所基于的Ultralytics库完整版 |
| 预装工具 | opencv-python,numpy,tqdm,matplotlib等 | 训练、推理、可视化全链路开箱即用 |
注意：镜像启动后默认进入名为
torch25的conda环境，但这不是YOLO26要用的环境。必须手动切换，否则所有命令都会报错——这是新手最容易踩的坑。
2. 环境激活与代码目录迁移
镜像里代码默认放在/root/ultralytics-8.4.2，但它在系统盘（通常是只读或空间受限的根分区）。直接修改会失败，或下次重启丢失。正确做法是：复制到数据盘/root/workspace/下再操作。这一步看似简单，却是后续所有开发稳定的基石。
2.1 激活YOLO专用conda环境
打开终端，输入以下命令：
conda activate yolo执行后，命令行提示符前会出现(yolo)标识，例如：
(yolo) root@server:~#成功标志：
- 不报
CommandNotFoundError或Could not find conda environment错误 - 提示符带
(yolo) - 运行
python -c "import torch; print(torch.__version__)"输出1.10.0
❌ 常见失败原因：
- 手误输成
conda activate torch25（这是默认环境，但YOLO26不在此环境） - 镜像未完全加载完成就执行命令（等待终端光标稳定后再输）
2.2 将代码复制到工作区
执行复制命令（注意空格和斜杠）：
cp -r /root/ultralytics-8.4.2 /root/workspace/这条命令含义：
cp= 复制文件-r= 递归复制整个文件夹（含所有子文件、子目录）/root/ultralytics-8.4.2= 源路径（镜像自带的原始代码）/root/workspace/= 目标路径（你可自由读写的数据盘）
成功标志：
- 命令执行后无报错，直接返回新提示符
- 运行
ls /root/workspace/能看到ultralytics-8.4.2文件夹
重要提醒：
- 不要使用
mv（移动）代替cp（复制）——移动后原路径代码消失，一旦出错无法回退 - 不要跳过此步直接在
/root/ultralytics-8.4.2下修改——部分系统会拒绝写入根目录
2.3 进入工作目录并确认位置
切换到新复制的代码目录：
cd /root/workspace/ultralytics-8.4.2然后确认当前路径是否正确：
pwd输出应为：
/root/workspace/ultralytics-8.4.2此时你已站在正确的起点：环境已激活、代码已落位、路径已就绪。接下来的所有操作（推理、训练、改配置）都基于这个目录进行。
3. 快速验证：运行一次图片推理
别急着调参或换数据，先让模型“动起来”。我们用镜像自带的测试图zidane.jpg和预置权重yolo26n-pose.pt完成一次端到端推理，验证环境完全可用。
3.1 创建并编辑 detect.py 脚本
在当前目录（/root/workspace/ultralytics-8.4.2）下，新建一个 Python 文件：
nano detect.py将以下内容完整粘贴进去（注意缩进和引号）：
# -*- coding: utf-8 -*- from ultralytics import YOLO if __name__ == '__main__': model = YOLO(model=r'yolo26n-pose.pt') model.predict(source=r'./ultralytics/assets/zidane.jpg', save=True, show=False)保存并退出：按Ctrl+O→ 回车确认 →Ctrl+X退出 nano。
3.2 执行推理并查看结果
运行脚本：
python detect.py你会看到类似这样的输出：
Ultralytics 8.4.2 Python-3.9.5 torch-1.10.0 CUDA-12.1 ... Predict: 100%|██████████| 1/1 [00:01<00:00, 1.23s/it] Results saved to runs/detect/predict成功标志：
- 最后一行显示
Results saved to runs/detect/predict - 进入该目录：
ls runs/detect/predict/能看到zidane.jpg的检测结果图
关键参数说明（用大白话）：
model=：填你手头的.pt权重文件名，镜像里已预置多个（见第4节）source=：可以是单张图（xxx.jpg）、整个文件夹（./images/）、视频（video.mp4）或摄像头（0）save=True：必须加！否则结果只在内存里闪一下，不保存到硬盘show=False：设为False避免在服务器上弹窗报错（无图形界面）
4. 准备训练：数据集配置与训练脚本
推理只是“看”，训练才是“学”。YOLO26训练需要两样东西：你的数据集和一份配置文件。镜像已为你搭好架子，你只需填空。
4.1 数据集组织规范（YOLO格式）
你的数据必须长这样（以my_dataset为例）：
my_dataset/ ├── images/ │ ├── train/ │ │ ├── img1.jpg │ │ └── img2.jpg │ └── val/ │ ├── img3.jpg │ └── img4.jpg └── labels/ ├── train/ │ ├── img1.txt │ └── img2.txt └── val/ ├── img3.txt └── img4.txtimages/存放所有图片labels/存放对应标注文件（每张图一个.txt，每行一个目标：class_id center_x center_y width height，归一化到0~1）train/和val/文件夹必须同时存在
4.2 修改 data.yaml 配置文件
在ultralytics-8.4.2目录下，找到或新建data.yaml，内容如下：
train: ../my_dataset/images/train val: ../my_dataset/images/val nc: 2 # 类别数，例如 person, car → 填 2 names: ['person', 'car'] # 类别名称列表，顺序必须和 nc 一致关键点：
train和val路径是相对于 data.yaml 文件所在位置的相对路径- 如果你的数据集放在
/root/workspace/my_dataset，那么train:应写为../my_dataset/images/train nc和names必须严格匹配你的数据集，错一个字符都会报错
4.3 创建 train.py 并启动训练
新建训练脚本：
nano train.py粘贴以下内容（已适配镜像环境）：
# -*- coding: utf-8 -*- import warnings warnings.filterwarnings('ignore') from ultralytics import YOLO if __name__ == '__main__': model = YOLO(model='/root/workspace/ultralytics-8.4.2/ultralytics/cfg/models/26/yolo26.yaml') model.train(data=r'data.yaml', imgsz=640, epochs=200, batch=128, workers=8, device='0', optimizer='SGD', close_mosaic=10, resume=False, project='runs/train', name='exp', single_cls=False, cache=False)运行训练：
python train.py你会看到实时训练日志，包括Epoch,GPU Mem,box_loss,cls_loss等指标。训练完成后，模型自动保存在：
runs/train/exp/weights/best.pt5. 模型与数据下载：从服务器到本地
训练好的模型、生成的图表、预测结果都在服务器上。你需要把它们拿回本地电脑继续用。
5.1 使用 Xftp 下载（推荐，图形化直观）
- 在 Xftp 中连接服务器（地址、用户名、密码同镜像登录信息）
- 左侧是你的本地电脑，右侧是服务器
- 下载操作：在右侧找到目标文件夹（如
runs/train/exp/weights/），鼠标双击该文件夹或.pt文件 → 自动开始下载到左侧对应位置 - 上传操作：把本地数据集拖拽到右侧窗口即可（方向相反）
小技巧：
- 大文件（如数据集）先压缩成
.zip再传，速度提升3倍以上 - 下载中双击传输任务，可实时查看进度和速度
5.2 替代方案：命令行压缩与下载
如果不用Xftp，可在服务器端压缩：
cd /root/workspace zip -r my_model.zip runs/train/exp/weights/然后用scp或其他工具下载my_model.zip。
6. 预置权重文件一览
镜像已为你下载好常用权重，全部放在/root/workspace/ultralytics-8.4.2/目录下，无需额外下载：
yolo26n.pt：YOLO26 Nano 版，轻量快速，适合边缘设备yolo26n-pose.pt：支持姿态估计的 Nano 版，detect.py 示例即用此模型yolo26s.pt：Small 版，精度与速度平衡yolo26m.pt：Medium 版，中等规模场景首选yolo26l.pt：Large 版，高精度需求
所有权重均可直接用于model=参数，无需解压或转换。
7. 常见问题直答
7.1 为什么conda activate yolo报错 “Environment not found”？
检查是否输错环境名。正确命令是conda activate yolo（不是yolo26、ultralytics或torch25）。若仍失败，运行conda env list查看所有环境名，确认yolo是否在列表中。
7.2 复制代码后cd进不去目录，提示 “No such file or directory”
检查cp命令是否执行成功。运行ls /root/workspace/确认ultralytics-8.4.2文件夹是否存在。若不存在，重新执行复制命令，注意不要漏掉末尾的斜杠/。
7.3 推理时提示 “No module named 'ultralytics'”
一定是环境没激活。运行conda activate yolo后，再执行python -c "import ultralytics; print(ultralytics.__version__)"，应输出8.4.2。
7.4 训练时提示 “No images found”
检查data.yaml中train:和val:路径是否拼写正确，且路径下确实有图片文件（不是空文件夹）。运行ls -l <你的train路径>确认。
获取更多AI镜像
想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。
