1. 项目概述
"YOLO26保姆级实战"这个标题已经明确告诉我们，这是一篇面向计算机视觉领域开发者的实战指南。作为YOLO系列目标检测算法的最新演进版本，YOLO26在保持实时性的同时，进一步提升了检测精度和部署灵活性。本文将带大家从零开始，完整走通YOLO26的整个开发流程。
不同于普通的教程，这篇指南有几个显著特点：首先，它涵盖了从环境搭建到模型部署的全流程；其次，特别关注了"端侧无NMS部署"这个实际工程中的难点；最重要的是，它承诺"一行代码都不缺"，这意味着每个步骤都会有完整的代码示例和解释。
2. 环境准备与工具链搭建
2.1 硬件与基础软件环境
对于YOLO26的开发，我们建议使用以下配置：
- GPU：至少8GB显存的NVIDIA显卡（如RTX 2070及以上）
- 操作系统：Ubuntu 20.04 LTS（其他Linux发行版也可）
- CUDA：11.3版本
- cuDNN：8.2.1版本
- Python：3.8或3.9版本
注意：虽然YOLO26也可以在Windows上运行，但Linux环境下的开发和部署会更加顺畅，特别是涉及到端侧部署时。
2.2 依赖库安装
创建一个干净的Python虚拟环境后，安装以下核心依赖：
bash复制pip install torch==1.10.0+cu113 torchvision==0.11.1+cu113 -f https://download.pytorch.org/whl/torch_stable.html
pip install opencv-python numpy tqdm matplotlib seaborn
pip install onnx onnxruntime onnx-simplifier
2.3 YOLO26源码获取
从官方仓库克隆代码：
bash复制git clone https://github.com/ultralytics/yolov5.git
cd yolov5
git checkout v6.0 # 确保切换到正确的分支
3. 数据集准备与模型训练
3.1 数据集准备
YOLO26支持多种格式的数据集，最常见的是COCO格式。数据集目录结构应该如下：
code复制dataset/
├── images/
│ ├── train/
│ └── val/
└── labels/
├── train/
└── val/
每个图像对应的标注文件应该是.txt格式，每行表示一个目标，格式为：
code复制class_id x_center y_center width height
所有坐标值都是相对于图像宽高的归一化值（0-1之间）。
3.2 模型配置文件
YOLO26提供了多种预定义的模型配置（在models目录下），我们可以选择yolov5s.yaml作为起点：
yaml复制# parameters
nc: 80 # number of classes
depth_multiple: 0.33 # model depth multiple
width_multiple: 0.50 # layer channel multiple
# anchors
anchors:
- [10,13, 16,30, 33,23] # P3/8
- [30,61, 62,45, 59,119] # P4/16
- [116,90, 156,198, 373,326] # P5/32
# backbone
backbone:
# [from, number, module, args]
[[-1, 1, Focus, [64, 3]], # 0-P1/2
[-1, 1, Conv, [128, 3, 2]], # 1-P2/4
[-1, 3, C3, [128]],
[-1, 1, Conv, [256, 3, 2]], # 3-P3/8
[-1, 9, C3, [256]],
[-1, 1, Conv, [512, 3, 2]], # 5-P4/16
[-1, 9, C3, [512]],
[-1, 1, Conv, [1024, 3, 2]], # 7-P5/32
[-1, 1, SPP, [1024, [5, 9, 13]]],
[-1, 3, C3, [1024, False]], # 9
]
# head
head:
[[-1, 1, Conv, [512, 1, 1]],
[-1, 1, nn.Upsample, [None, 2, 'nearest']],
[[-1, 6], 1, Concat, [1]], # cat backbone P4
[-1, 3, C3, [512, False]], # 13
[-1, 1, Conv, [256, 1, 1]],
[-1, 1, nn.Upsample, [None, 2, 'nearest']],
[[-1, 4], 1, Concat, [1]], # cat backbone P3
[-1, 3, C3, [256, False]], # 17
[-1, 1, Conv, [256, 3, 2]],
[[-1, 14], 1, Concat, [1]], # cat head P4
[-1, 3, C3, [512, False]], # 20
[-1, 1, Conv, [512, 3, 2]],
[[-1, 10], 1, Concat, [1]], # cat head P5
[-1, 3, C3, [1024, False]], # 23
[[17, 20, 23], 1, Detect, [nc, anchors]], # Detect(P3, P4, P5)
]
3.3 训练启动命令
使用以下命令开始训练：
bash复制python train.py --img 640 --batch 16 --epochs 300 --data data/coco.yaml --cfg models/yolov5s.yaml --weights '' --name yolov5s_results
关键参数说明：
- --img 640：输入图像尺寸
- --batch 16：批次大小（根据GPU内存调整）
- --epochs 300：训练轮数
- --data：数据集配置文件路径
- --cfg：模型配置文件路径
- --weights：预训练权重路径（''表示从零开始）
4. 模型优化与无NMS部署
4.1 模型导出为ONNX格式
要将YOLO26部署到端侧设备，首先需要将模型导出为ONNX格式：
bash复制python export.py --weights runs/train/yolov5s_results/weights/best.pt --img 640 --batch 1 --include onnx --simplify
注意：导出时batch size设为1，因为很多端侧推理框架对动态batch支持有限。
4.2 无NMS实现原理
传统的目标检测流程中，NMS（非极大值抑制）是后处理的关键步骤，用于消除冗余检测框。但在端侧设备上，NMS计算可能成为性能瓶颈。YOLO26通过以下方式实现无NMS部署：
- 训练时使用CIoU Loss，使预测框更加准确
- 调整置信度阈值，减少重叠框的数量
- 在模型末端添加一个自定义层，将NMS操作集成到模型中
4.3 端侧部署代码示例
以下是一个使用ONNX Runtime进行无NMS推理的Python示例：
python复制import cv2
import numpy as np
import onnxruntime as ort
class YOLO26:
def __init__(self, onnx_path):
self.session = ort.InferenceSession(onnx_path)
self.input_name = self.session.get_inputs()[0].name
self.output_name = self.session.get_outputs()[0].name
self.img_size = 640
def preprocess(self, img):
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
img = cv2.resize(img, (self.img_size, self.img_size))
img = img.transpose(2, 0, 1).astype(np.float32)
img /= 255.0
return np.expand_dims(img, axis=0)
def postprocess(self, outputs, conf_thresh=0.5):
# outputs shape: [1, 25200, 85]
outputs = np.squeeze(outputs)
# 过滤低置信度检测
mask = outputs[:, 4] > conf_thresh
outputs = outputs[mask]
# 转换坐标为原始图像尺寸
boxes = outputs[:, :4]
scores = outputs[:, 4:5] * outputs[:, 5:]
return boxes, scores
def detect(self, img):
input_tensor = self.preprocess(img)
outputs = self.session.run([self.output_name], {self.input_name: input_tensor})
return self.postprocess(outputs[0])
# 使用示例
model = YOLO26("yolov5s.onnx")
img = cv2.imread("test.jpg")
boxes, scores = model.detect(img)
5. 性能优化技巧
5.1 模型量化
为了进一步提升端侧推理速度，可以对模型进行量化：
python复制from onnxruntime.quantization import quantize_dynamic, QuantType
quantize_dynamic(
"yolov5s.onnx",
"yolov5s_quant.onnx",
weight_type=QuantType.QUInt8,
)
量化后的模型大小通常会减小到原来的1/4，推理速度也能提升20-30%。
5.2 内存优化
在内存受限的设备上，可以采用以下策略：
- 使用更小的输入尺寸（如320x320）
- 减少模型宽度（修改width_multiple参数）
- 使用分组卷积替代标准卷积
5.3 多线程推理
对于支持多线程的设备，可以配置ONNX Runtime使用多线程：
python复制options = ort.SessionOptions()
options.intra_op_num_threads = 4
options.inter_op_num_threads = 4
session = ort.InferenceSession("yolov5s.onnx", options)
6. 常见问题与解决方案
6.1 训练过程中的问题
问题1：Loss不下降或波动大
- 检查学习率是否合适（初始建议1e-3）
- 验证数据标注是否正确
- 尝试更小的batch size
问题2：显存不足
- 减小batch size
- 使用更小的输入尺寸
- 尝试混合精度训练（--half参数）
6.2 部署过程中的问题
问题1：ONNX导出失败
- 确保PyTorch和ONNX版本兼容
- 尝试简化模型结构
- 检查模型中是否有不支持的运算符
问题2：端侧推理速度慢
- 启用量化
- 使用特定设备的优化版本（如TensorRT、CoreML）
- 减少输入尺寸
6.3 无NMS部署的效果调优
问题：无NMS导致重复检测
- 调整置信度阈值（conf_thresh）
- 训练时增加CIoU Loss的权重
- 在数据增强中添加更多重叠目标的样本
7. 进阶应用与扩展
7.1 自定义模型结构
YOLO26的模块化设计使得我们可以轻松修改模型结构。例如，添加注意力机制：
yaml复制# 在backbone或head中添加注意力模块
[-1, 1, CBAM, [256]], # CBAM注意力模块
7.2 多任务学习
YOLO26可以扩展为多任务模型，同时完成检测和分割：
python复制# 在模型末端添加分割头
[[-1, 1, Conv, [128, 3, 1]],
[-1, 1, nn.Upsample, [None, 2, 'nearest']],
[[-1, 8], 1, Concat, [1]],
[-1, 1, Conv, [64, 3, 1]],
[-1, 1, nn.Upsample, [None, 2, 'nearest']],
[[-1, 4], 1, Concat, [1]],
[-1, 1, Conv, [32, 3, 1]],
[-1, 1, Conv, [num_seg_classes, 1, 1]], # 分割输出
]
7.3 部署到不同平台
YOLO26可以部署到多种平台：
- 移动端：通过TensorFlow Lite或CoreML转换
- 嵌入式设备：使用NCNN或TNN
- Web端：转换为TensorFlow.js格式
以TensorFlow Lite为例的转换命令：
bash复制tflite_convert \
--output_file=yolov5s.tflite \
--saved_model_dir=saved_model \
--input_shapes=1,640,640,3 \
--input_arrays=input \
--output_arrays=output
在实际项目中，我发现YOLO26的灵活性是其最大的优势。通过调整模型结构和训练策略，它可以适应从移动端到云端的各种应用场景。特别是在端侧部署时，无NMS的设计确实能带来显著的性能提升，但需要仔细调整置信度阈值和训练策略才能达到最佳效果。