YOLO26训练日志在哪？项目输出路径查找指南

YOLO26训练日志在哪？项目输出路径查找指南

最新 YOLO26 官方版训练与推理镜像
本镜像基于YOLO26 官方代码库构建，预装了完整的深度学习开发环境，集成了训练、推理及评估所需的所有依赖，开箱即用。

1. 镜像环境说明

• 核心框架:pytorch == 1.10.0
• CUDA版本:12.1
• Python版本:3.9.5
• 主要依赖:torchvision==0.11.0,torchaudio==0.10.0,cudatoolkit=11.3,numpy,opencv-python,pandas,matplotlib,tqdm,seaborn等。

该镜像为YOLO26的完整运行环境提供了高度集成的支持。无论是进行模型训练、推理还是结果分析，所有必要的工具和库均已配置妥当。用户无需手动安装任何依赖，避免了常见的版本冲突问题，极大提升了实验效率。

2. 快速上手

启动完是这样的

2.1 激活环境与切换工作目录

在使用前，请先激活 Conda 环境，命令如下：

conda activate yolo

镜像启动后，默认代码存放在系统盘。为了防止数据丢失并方便后续修改，建议将代码复制到数据盘（如/root/workspace/）中操作。

执行以下命令完成复制：

cp -r /root/ultralytics-8.4.2 /root/workspace/

进入新目录继续操作：

cd /root/workspace/ultralytics-8.4.2

这样做的好处是：即使系统重启或重置，你的训练记录和自定义代码仍保留在工作区，不会被清除。

2.2 模型推理

我们以detect.py为例，演示如何进行图像或视频的推理任务。

首先修改detect.py文件内容如下：

# -*- coding: utf-8 -*- """ @Auth ：落花不写码 @File ：detect.py @IDE ：PyCharm @Motto :学习新思想，争做新青年 """ from ultralytics import YOLO if __name__ == '__main__': # Load a model model = YOLO(model=r'yolo26n-pose.pt') model.predict(source=r'./ultralytics/assets/zidane.jpg', save=True, show=False, )

参数说明：

• model参数：指定要加载的模型权重文件路径，支持.pt或.yaml格式。
• source参数：输入源可以是本地图片、视频路径，也可以是摄像头编号（如0表示默认摄像头）。
• save参数：设为True时，会自动保存检测结果到runs/detect/目录下。
• show参数：是否实时显示检测窗口，服务器环境下通常设为False。

运行推理脚本：

python detect.py

推理完成后，结果图像会保存在runs/detect/exp/路径下，终端也会输出每张图的检测信息，包括类别、置信度和耗时等。

2.3 模型训练

训练自定义模型需要准备符合 YOLO 格式的数据集，并正确配置data.yaml文件。

数据集配置

上传你的数据集后，在项目根目录创建或修改data.yaml，结构如下：

train: /root/workspace/your_dataset/images/train val: /root/workspace/your_dataset/images/val nc: 80 names: ['person', 'bicycle', 'car', ...]

data.yaml 参数解析如图所示：

训练脚本设置

接下来编辑train.py文件：

# -*- coding: utf-8 -*- """ @Auth ：落花不写码 @File ：train.py @IDE ：PyCharm @Motto :学习新思想，争做新青年 """ 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.load('yolo26n.pt') # 加载预训练权重,改进或者做对比实验时候不建议打开，因为用预训练模型整体精度没有很明显的提升 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, )

关键参数解释：

• data: 指向你刚写的data.yaml文件路径。
• imgsz: 输入图像尺寸，常用 640。
• epochs: 训练轮数。
• batch: 批次大小，根据显存调整。
• device: 使用 GPU 编号，单卡填'0'。
• project和name: 控制训练日志和模型的保存路径。

启动训练

保存文件后运行：

python train.py

训练过程中，终端会实时输出损失值、mAP 等指标，并提示结果保存路径：

输出路径格式一般为：{project}/{name}/weights/，例如runs/train/exp/weights/best.pt就是最优模型。

2.4 下载训练结果

训练结束后，可通过 Xftp 等工具将模型和日志下载到本地。

操作方式非常简单：

• 在右侧远程服务器窗口找到目标文件夹（如runs/train/exp/）
• 将其拖拽至左侧本地目录即可开始传输
• 单个文件可直接双击下载

建议对大文件夹先压缩再下载，节省时间。例如使用命令：

tar -czf exp.tar.gz runs/train/exp/

上传数据的操作与此相反，只需把本地文件拖到服务器侧即可。

3. 已包含权重文件

镜像内已预下载常用权重文件，存放于项目根目录，无需额外下载：

目前包含的模型有：

• yolo26n.pt
• yolo26s.pt
• yolo26m.pt
• yolo26l.pt
• yolo26x.pt
• yolo26n-pose.pt

这些模型覆盖了从轻量级到高性能的不同需求场景，可直接用于推理或作为预训练权重加载。

4. YOLO26训练日志在哪？

这是本文最核心的问题——训练日志到底保存在哪里？

答案是：由project和name两个参数共同决定。

默认输出路径结构

当你运行model.train()时，系统会自动生成一个输出目录，结构如下：

runs/ └── train/ └── exp/ # 实验名称（可自定义） ├── weights/ # 模型权重 │ ├── best.pt # 最佳性能模型 │ └── last.pt # 最后一轮模型 ├── results.csv # 每轮训练指标记录 ├── results.png # 指标变化曲线图 └── args.yaml # 本次训练的超参数备份

如何查看训练过程？

1. 实时监控 loss 和 mAP
   查看results.csv文件，可用 Excel 或 Python 读取分析。

2. 观察可视化图表
   results.png展示了训练期间各项指标的变化趋势，包括 box_loss、cls_loss、precision、recall 和 mAP@0.5 等。

3. 获取最优模型
   weights/best.pt是验证集上表现最好的模型，推荐用于部署。

4. 恢复中断训练
   若训练中途断开，可在train.py中设置resume=True，程序会自动从last.pt继续训练。

自定义输出路径示例

如果你想把训练结果保存到特定位置，比如/root/workspace/my_experiments/，只需修改train.py中的参数：

model.train( ... project='/root/workspace/my_experiments', name='voc_detection_v1', ... )

最终路径将是：/root/workspace/my_experiments/voc_detection_v1/

这样便于分类管理多个实验项目。

5. 常见问题解答

Q1：训练日志没生成？找不到runs文件夹怎么办？

请检查：

• 是否成功执行了model.train()函数
• 当前工作目录是否正确（应位于ultralytics-8.4.2根目录）
• project参数路径是否有写权限

如果路径中包含中文或空格，也可能导致创建失败。

Q2：如何同时保存多个实验记录？

通过修改name参数实现区分，例如：

name='exp_resnet_backbone' name='exp_augment_v1' name='exp_freeze_layers'

每个名字都会生成独立子目录，互不干扰。

Q3：训练日志能导出为 PDF 或 HTML 吗？

虽然原生不支持，但你可以：

• 使用 Pandas 读取results.csv并绘图导出
• 结合 Matplotlib + ReportLab 生成 PDF 报告
• 用 Jupyter Notebook 整理成可交互文档

Q4：能否关闭日志记录？

不建议关闭。日志对于调试和复现实验至关重要。若确实不需要，可临时将project设为/tmp并定期清理。

6. 总结

6.1 关键要点回顾

本文详细介绍了 YOLO26 镜像的使用流程，并重点解答了“训练日志保存在哪”这一高频问题。核心结论如下：

• 所有训练输出默认保存在runs/train/exp/目录下
• 实际路径由project和name参数控制，可自由定制
• 日志包含results.csv、results.png和weights/*.pt三大核心内容
• 权重文件已内置，开箱即用，无需手动下载
• 可通过 Xftp 轻松上传数据集、下载训练成果

掌握输出路径规则后，你不仅能快速定位最佳模型，还能系统化地管理和对比不同实验的结果。

6.2 实践建议

• 命名规范：给每次训练起有意义的名字，如exp_lr0.01_bs64，便于后期追溯
• 定期归档：重要实验及时压缩备份，避免磁盘空间不足被覆盖
• 日志分析：结合results.csv分析过拟合、收敛速度等问题
• 版本控制：配合 Git 管理代码变更，做到“代码+权重+日志”三位一体

只要合理利用这套输出机制，就能让每一次训练都留下清晰痕迹，真正实现可复现、可优化、可分享的高效科研流程。

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。