YOLO26结果保存路径：runs/detect输出结构说明
你刚跑完YOLO26的推理命令，终端一闪而过，屏幕上只留下一行“Results saved to runs/detect/exp”，然后就没了？打开runs/detect文件夹，里面却有exp、exp2、exp3……甚至还有exp10？这些文件夹里到底存了什么？图片在哪？标注框坐标怎么导出？JSON结果怎么读？别急——这篇文章不讲训练原理、不堆参数配置，就专门带你一层层扒开runs/detect这个目录的真实结构，搞清楚每一份输出从哪来、长什么样、怎么用。
我们用的是最新发布的YOLO26官方版训练与推理镜像，所有路径、命名规则、文件格式都基于该镜像实测验证。你不需要重装环境、不用查文档翻源码，照着这篇往下看，5分钟内就能精准定位你要的结果。
1. YOLO26镜像基础环境确认
在深入runs/detect之前，先确认你正在使用的确实是标准YOLO26镜像环境。这不是可选项——路径行为高度依赖底层框架版本和Ultralytics代码结构。本镜像严格对齐YOLO26官方发布规范，所有输出逻辑均源自ultralytics==8.4.2主干代码。
- 核心框架：
pytorch == 1.10.0 - CUDA版本：
12.1（兼容cudatoolkit=11.3） - Python版本：
3.9.5 - 关键依赖：
torchvision==0.11.0、opencv-python>=4.8.0、numpy>=1.23.0
注意：如果你手动升级了
ultralytics到8.5+或降级到8.3以下，runs/detect下的子目录命名规则、JSON字段结构、图像后缀名都可能发生变化。本文所有说明均以镜像内置的ultralytics-8.4.2为准。
2.runs/detect目录生成机制详解
YOLO26的predict()方法执行后，只要设置了save=True（默认为False），就会自动创建runs/detect/目录，并在其下生成一个唯一实验文件夹。这个过程不是随机的，而是有一套清晰的生成逻辑：
2.1 实验文件夹命名规则
每次运行model.predict()，系统会按顺序尝试创建：
runs/detect/exp→runs/detect/exp2→runs/detect/exp3……- 如果
exp存在且非空，则跳过；如果exp为空（比如你手动清空了但没删文件夹），则复用exp - 不会覆盖已有内容：即使你重复运行同一段代码，新结果也一定写入新文件夹（如
exp4），旧结果毫发无损
你可以通过project和name参数完全控制路径：
model.predict( source='./ultralytics/assets/zidane.jpg', save=True, project='my_results', # 自定义父目录 → my_results/detect/exp name='person_demo' # 自定义实验名 → my_results/detect/person_demo )但镜像默认未设置这两项，所以你看到的永远是runs/detect/exp*。
2.2 目录层级与核心文件构成
进入任意一个exp*文件夹（例如runs/detect/exp3），你会看到如下固定结构：
exp3/ ├── zidane.jpg ← 原图（若source是单张图） ├── zidane.png ← 带检测框的可视化结果（PNG格式，非JPG！） ├── zidane.txt ← 对应的YOLO格式预测框（class x_center y_center width height confidence） ├── labels/ ← 所有预测结果的TXT标签集（仅当source为文件夹时出现） │ ├── image1.txt │ └── image2.txt ├── predictions.json ← 全量结构化结果（含坐标、类别、置信度、框ID等） └── results.csv ← 汇总统计表（每行一条检测框，含文件名、类别、置信度、归一化坐标）关键事实：YOLO26默认不保存原图副本（除非你传入的是视频帧或批量图片），
zidane.jpg只是因为source参数直接指向它才被复制进来；而zidane.png是唯一带可视化框的图像，注意后缀是.png——这是为了保证Alpha通道和抗锯齿质量，不是笔误。
3. 四类核心输出文件深度解析
3.1 可视化图像（.png）：一眼看效果
- 文件名：与输入
source中文件名一致，但强制转为.png - 内容：原始图像 + 彩色边界框 + 类别标签 + 置信度（如
person 0.92） - 坐标系：像素坐标（左上角为原点），框宽高为绝对像素值
- 字体与颜色：使用OpenCV默认字体，框颜色按类别自动分配（person→蓝色，car→绿色等）
- 实用技巧：想快速查看全部结果？直接在终端执行：
ls runs/detect/exp*/zidane.png | xargs -I {} eog {} # Linux图形界面 # 或 Windows 下用 explorer.exe 批量打开
3.2 YOLO格式预测文本（.txt）：对接下游训练/评估
以zidane.txt为例，内容类似：
0 0.524 0.478 0.215 0.389 0.921 0 0.287 0.312 0.142 0.265 0.873 2 0.763 0.621 0.189 0.224 0.795每行6个值，含义依次为：
class_id：整数类别索引（0=person, 1=bicycle, 2=car...）x_center,y_center：归一化中心坐标（0~1）width,height：归一化宽高（0~1）confidence：该框的置信度（0~1）
提示：这个格式与YOLO训练时的标签格式完全一致。如果你要做半监督学习或主动学习，可直接将此文件作为伪标签输入训练流程。
3.3 结构化JSON结果（predictions.json）：程序化处理首选
这是最完整、最易解析的输出。打开predictions.json，你会看到一个标准JSON数组，每个元素对应一张输入图像：
[ { "image": "zidane.jpg", "boxes": [ { "class_id": 0, "class_name": "person", "confidence": 0.921, "x1": 212.5, "y1": 189.2, "x2": 342.1, "y2": 321.8, "box_id": "b001" } ], "speed": { "preprocess": 12.4, "inference": 38.7, "postprocess": 5.2 } } ]关键字段说明：
x1/y1/x2/y2：绝对像素坐标（非归一化！），可直接用于OpenCV绘图或坐标计算box_id：唯一框ID，便于跨帧跟踪或去重speed：各阶段耗时（毫秒），调试性能瓶颈时直接看这里class_name：字符串类别名，比class_id更友好
推荐Python读取方式：
import json with open('runs/detect/exp3/predictions.json') as f: data = json.load(f) for img in data: for box in img['boxes']: print(f"检测到{box['class_name']}，置信度{box['confidence']:.3f}，位置({box['x1']:.1f},{box['y1']:.1f})")3.4 汇总CSV表格（results.csv）：Excel友好型分析
results.csv是面向业务人员的友好格式，用Excel双击即可打开。表头包含：
im_file：图像文件名class：类别IDclass_name：类别名称confidence：置信度x_center,y_center,width,height：归一化坐标（与.txt一致）x1,y1,x2,y2：绝对像素坐标（与JSON一致）
场景示例：你想统计“所有置信度>0.85的car检测框在图像中的平均位置”，直接在Excel里筛选+求平均，30秒搞定。
4. 多输入场景下的输出差异
runs/detect的行为会根据source类型动态调整。你必须知道这三种情况的区别：
| source类型 | 示例 | runs/detect/exp*/内典型内容 | 特别注意 |
|---|---|---|---|
| 单张图片 | './zidane.jpg' | zidane.png,zidane.txt,predictions.json | .jpg原图被复制，但.png才是带框结果 |
| 图片文件夹 | './dataset/images' | labels/文件夹（含所有.txt）、predictions.json、results.csv | 不生成任何可视化PNG！需自行调用plot()方法 |
| 视频文件 | './video.mp4' | video.mp4（带框视频）、predictions.json、results.csv | 视频帧率、编码参数继承自输入，无需额外设置 |
如果你传入的是文件夹但想要每张图的可视化结果，必须显式启用save=True并确保show=False（否则会弹窗阻塞）：
model.predict(source='./images', save=True, show=False) # 此时会在exp*/下生成每张图的.png5. 实用技巧与避坑指南
5.1 快速清理历史结果
反复测试会产生大量exp*文件夹。安全清理命令（保留最新的3个）：
cd runs/detect && ls -t exp* | tail -n +4 | xargs rm -rf5.2 修改默认保存路径（永久生效）
不想每次改project/name？直接修改Ultralytics配置：
echo "default_save_dir: /root/workspace/results" >> /root/workspace/ultralytics-8.4.2/ultralytics/cfg/default.yaml之后所有predict()调用将默认写入/root/workspace/results/detect/。
5.3 导出为COCO格式（对接其他工具）
YOLO26原生不支持COCO JSON导出，但可用两行代码转换：
from ultralytics.utils.ops import non_max_suppression from ultralytics.data.converter import convert_yolo_to_coco convert_yolo_to_coco('runs/detect/exp3/labels', 'coco_annotations.json')5.4 常见误区澄清
- ❌ “
runs/detect/exp/weights里有模型” → 错！权重只在训练时保存于runs/train/，detect下只有结果 - ❌ “
zidane.txt里的坐标可以直接画在zidane.jpg上” → 错！zidane.txt是归一化坐标，需乘以原图宽高；而zidane.png已自动完成绘制 - ❌ “
predictions.json里没有时间戳，无法做实时分析” → 错！speed字段提供各阶段毫秒级耗时，结合系统时间即可推算
6. 总结：掌握runs/detect就是掌握YOLO26的输出主权
你不需要记住所有API参数，但必须清楚runs/detect里每个文件的来龙去脉。它不是一堆杂乱的输出，而是一套设计严谨的“结果交付包”：
- 要快速验证效果？打开
.png文件 - 要喂给下游系统？用
.txt或predictions.json - 要做数据统计？
results.csv开箱即用 - 要调试性能瓶颈？
predictions.json里的speed字段一目了然
下次再看到Results saved to runs/detect/exp7，别再盲目点开又关掉。现在你知道——那里藏着你模型能力的全部证据。
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。
