YOLO26 орнату және оқыту: қадамдық нұсқаулық

Бұл нұсқаулық бос бумадан бастап өз YOLO26 моделіңізге дейін жеткізеді: Ultralytics-ті бөлек Python ортасына орнатамыз, сынақ суретінде іске қосамыз, датасет дайындаймыз, детекторды оқытамыз, метрикаларды бағалаймыз және модельді ONNX пішіміне экспорттаймыз. Командалар Windows, macOS және Linux жүйелеріне жарайды; қуатты бейнекарта пайдалы, бірақ үдерісті тексеру үшін міндетті емес.

2026 жылғы 22 маусымдағы жағдай бойынша өзекті. Мысалдар YOLO26 құжаттамасымен және Train, Val, Predict, Export режимдерімен салыстырылды. Пакет интерфейсі өзгеруі мүмкін, сондықтан жұмыс жобасында тәуелділіктер нұсқасын бекітіңіз.

Соңында не аласыз

• ultralytics пакеті орнатылған оқшауланған Python ортасы;
• суретте жұмыс істейтін YOLO26;
• YOLO пішіміндегі белгілеуі және dataset.yaml файлы бар датасет;
• валидация нәтижесі бойынша таңдалған best.pt салмағы;
• жаңа фото мен видеодағы болжамдар;
• әрі қарай өрістетуге арналған ONNX моделі.

YOLO нұсқасы мен өлшемін қалай таңдау керек

YOLO атауын әртүрлі зерттеу топтары қолданады, сондықтан нұсқа нөмірлері бір ғана ресми желіні білдірмейді. Бұл нұсқаулықта Ultralytics YOLO26 пайдаланылады. Ресми пакет оқыту, тексеру, болжам жасау және экспорттау үшін бірыңғай CLI мен Python API ұсынады. Жоба мәліметіне сәйкес, YOLO26 әдепкіде бөлек NMS кезеңінсіз end-to-end детекция жасайды және n, s, m, l, x өлшемдерін қолдайды.

YOLO11 мен YOLOv8 тексерілген коды мен экспорты бар қолданыстағы жобалар үшін орынды таңдау болып қала береді. Жаңа оқу жобасын yolo26n.pt моделінен бастаңыз. Үлкен модельге өту туралы шешімді өзіңіздің тәуелсіз test-жинағыңыздағы метрикалар мен нысаналы құрылғыдағы жылдамдыққа қарап қабылдаңыз.

Орнату алдында не қажет

• Python: пакеттер қолдайтын Python нұсқасын және бөлек виртуалды ортаны пайдаланыңыз.
• Диск: тәуелділіктерге, салмақтарға, датасетке және runs бумасына бос орын қалдырыңыз.
• GPU: NVIDIA CUDA оқытуды едәуір жылдамдатады; Apple Silicon MPS қолдана алады. CPU тексеруге жарайды, бірақ оқыту баяу болуы мүмкін.
• Деректер: суреттерді жобада заңды түрде пайдалануға рұқсат болуы және олар нақты пайдалану жағдайларын көрсетуі керек.

1-қадам. Бума мен виртуалды орта жасаңыз

Оқшауланған орта YOLO тәуелділіктерінің басқа Python жобаларымен қақтығысуына жол бермейді. macOS немесе Linux терминалында:

mkdir yolo-project
cd yolo-project
python3 -m venv .venv
source .venv/bin/activate

Windows PowerShell ішінде:

mkdir yolo-project
cd yolo-project
py -m venv .venv
.venv\Scripts\Activate.ps1

PowerShell белсендіру скриптіне тыйым салса, бүкіл жүйенің қорғанысын өшірмеңіз. Рұқсатты тек ағымдағы үдеріске беріңіз:

Set-ExecutionPolicy -Scope Process -ExecutionPolicy Bypass
.venv\Scripts\Activate.ps1

2-қадам. Ultralytics орнатыңыз

pip құралын жаңартып, пакетті PyPI-ден орнатыңыз және нақты орнатылған нұсқаны шығарыңыз:

python -m pip install --upgrade pip
python -m pip install ultralytics
python -c "import ultralytics; print(ultralytics.__version__)"
yolo checks

Графикалық интерфейсі жоқ Linux сервері үшін ресми нұсқаулық GUI тәуелділіктерін орнатпайтын headless пакетін ұсынады:

python -m pip install ultralytics-opencv-headless

3-қадам. CPU, CUDA немесе MPS жүйесін тексеріңіз

python -c "import torch; print('PyTorch:', torch.__version__); print('CUDA:', torch.cuda.is_available()); print('MPS:', hasattr(torch.backends, 'mps') and torch.backends.mps.is_available())"

• CUDA: True — PyTorch үйлесімді NVIDIA GPU-ін көріп тұр;
• MPS: True — үйлесімді Mac-та device=mps көрсетуге болады;
• екеуі де False — басқа құрылғы көрсетілмесе, YOLO CPU қолданады.

CUDA табылмаса, алдымен nvidia-smi орындаңыз. Бұл кезеңдегі ақау көбіне датасетке емес, драйверге, PyTorch жинағына немесе ортаға байланысты.

4-қадам. YOLO26 моделін сынақ суретінде іске қосыңыз

Бірінші іске қосу алдын ала оқытылған салмақтарды автоматты түрде жүктейді. Бұл орнату ақауларын болашақ белгілеу ақауларынан ажыратуға көмектеседі:

yolo detect predict model=yolo26n.pt \
  source="https://ultralytics.com/images/bus.jpg" \
  imgsz=640 conf=0.25 save=True

Windows-та осы команданы бір жолмен орындауға болады. Нәтиже runs/detect/predict бумасына немесе нөмірі бар келесі бумаға сақталады.

5-қадам. Кластарды анықтап, суреттер жинаңыз

Белгілеуге дейін әр кластың ережесін жазыңыз. Мысалы, қауіпсіздік құралдарын бақылау үшін: person, helmet, vest. Жартылай көрінетін каскаларды, шағылыстарды, плакаттағы заттарды және өте кішкентай нысандарды белгілеу тәртібін алдын ала келісіңіз.

• әртүрлі камера, қашықтық, жарық, фон және ауа райын қамтыңыз;
• ұқсас зат бар, бірақ мақсатты класс жоқ күрделі теріс мысалдарды қосыңыз;
• бір видеодағы ұқсас кадрларды барлық таңдамаға араластырмаңыз;
• баптау кезінде қолданылмайтын тәуелсіз test жинағын бірден бөліңіз.

6-қадам. Деректерді YOLO пішімінде белгілеңіз

Детекция үшін әр суретке негізгі атауы бірдей TXT-файл сәйкес келеді. Әр жол бір нысанды сипаттайды:

class_id x_center y_center width height

Орталық координаттары, ені мен биіктігі сурет өлшеміне қатысты қалыптандырылып, 0 мен 1 аралығында беріледі. Кластар нөлден басталады. Толық пішім Ultralytics detection datasets құжаттамасында берілген.

7-қадам. Дерек ағуынсыз датасетті бөліңіз

Бастапқы нұсқа ретінде суреттердің 70–80%-ын train, 10–20%-ын val, қалғанын test үшін пайдалануға болады. Бірақ пайыздан гөрі таңдамалардың тәуелсіздігі маңызды. Бір көріністің немесе қысқа видеоныӊ кадрларын топпен бөліңіз; әйтпесе метрикалар жасанды түрде жоғарылайды.

8-қадам. dataset.yaml файлын жасаңыз

path: ./dataset
train: images/train
val: images/val
test: images/test

names:
  0: person
  1: helmet
  2: vest

names тізімі TXT-файлдардағы идентификаторларға сәйкес болуы керек. YAML ішінде 2 класы жоқ болса, 2 санынан басталатын жол дұрыс емес.

9-қадам. Базалық оқытуды бастаңыз

Алдын ала оқытылған nano моделінен және стандартты параметрлерден бастаңыз. Мұндай baseline жол, класс және белгілеу қателерін тезірек көрсетеді:

yolo detect train model=yolo26n.pt data=dataset.yaml \
  epochs=100 imgsz=640 patience=20 \
  project=runs name=helmet-baseline

• epochs=100 — дәуірлердің жоғарғы шегі;
• patience=20 — сапа ұзақ жақсармаса ерте тоқтату;
• imgsz=640 — кіріс өлшемі; оны арттыру жад шығынын өсіреді;
• project және name — нәтижелер сақталатын орын.

# NVIDIA GPU 0
yolo detect train model=yolo26n.pt data=dataset.yaml epochs=100 device=0

# Apple Silicon
yolo detect train model=yolo26n.pt data=dataset.yaml epochs=100 device=mps

# CPU ғана
yolo detect train model=yolo26n.pt data=dataset.yaml epochs=30 device=cpu

10-қадам. Үзілген оқытуды жалғастырыңыз

yolo detect train resume \
  model=runs/helmet-baseline/weights/last.pt

Жаңа тәжірибені ескісінің үстіне бастамаңыз. Жалғастыру үшін last.pt және resume параметрін пайдаланыңыз.

11-қадам. best.pt файлын валидацияда тексеріңіз

yolo detect val \
  model=runs/helmet-baseline/weights/best.pt \
  data=dataset.yaml plots=True

Іске қосу бумасындағы confusion_matrix.png, results.png және болжам мысалдарын ашыңыз. Жалпы mAP сирек, бірақ маңызды кластың нашар нәтижесін жасыруы мүмкін, сондықтан әр класты бөлек бағалаңыз.

12-қадам. Модельді өз фотоңыз бен видеоңызда іске қосыңыз

# Бір сурет
yolo detect predict model=runs/helmet-baseline/weights/best.pt \
  source="test-images/frame.jpg" conf=0.25 save=True

# Видео
yolo detect predict model=runs/helmet-baseline/weights/best.pt \
  source="test-video.mp4" conf=0.25 save=True

# 0 веб-камерасы
yolo detect predict model=runs/helmet-baseline/weights/best.pt \
  source=0 show=True

conf шегін қате құнына қарай таңдаңыз. Жоғары шек жалған іске қосылуды азайтуы мүмкін, бірақ нысандарды өткізіп алу санын арттырады.

13-қадам. Модельді Python арқылы қолданыңыз

from ultralytics import YOLO

model = YOLO("runs/helmet-baseline/weights/best.pt")
results = model.predict(
    source="test-images/frame.jpg",
    conf=0.25,
    save=True,
)

for result in results:
    print(result.boxes.xyxy)
    print(result.boxes.conf)
    print(result.boxes.cls)

14-қадам. YOLO моделін ONNX пішіміне экспорттаңыз

yolo export \
  model=runs/helmet-baseline/weights/best.pt \
  format=onnx imgsz=640 simplify=True

ONNX — тасымалдауға ыңғайлы негізгі пішім. NVIDIA үшін TensorRT, Intel үшін OpenVINO, Apple үшін Core ML жиі пайдаланылады. Экспорттан кейін болжамдарды best.pt нәтижесімен салыстырып, нақты құрылғыдағы кідірісті өлшеңіз.

yolo benchmark \
  model=runs/helmet-baseline/weights/best.pt \
  data=dataset.yaml imgsz=640 device=0

Жиі кездесетін қателер және шешімдер

FileNotFoundError немесе dataset images not found

Команданың қай бумадан іске қосылғанын, dataset.yaml ішіндегі path мәнін және атаулардың әріп регистрін тексеріңіз. Linux-та Images пен images — екі бөлек жол.

CUDA out of memory

Алдымен batch мәнін, кейін imgsz немесе модель өлшемін азайтыңыз. VRAM қолданатын үдерістерді nvidia-smi арқылы тексеріңіз.

yolo detect train model=yolo26n.pt data=dataset.yaml \
  epochs=100 imgsz=640 batch=4 device=0

Модель ештеңе таппайды

conf мәнін уақытша төмендетіп, бастапқы болжамдарды қараңыз. Кластар ретін, координаттарды, белгіленбей қалған нысандарды және жаңа кадрлардың оқыту деректерінен айырмасын тексеріңіз.

mAP жоғары, бірақ нақты жұмысы нашар

Жиі себеп — train мен val арасындағы дерек ағуы, бірсарынды деректер немесе domain shift. Басқа камера, күн немесе орыннан тәуелсіз test-жинақ жасаңыз.

yolo командасы табылмады

Ортаны қайта белсендіріп, python -m pip show ultralytics орындаңыз. python мен pip бір ортаға қатысты болуы керек.

Лицензия: коммерциялық іске қосу алдында

Ultralytics репозиторийі мен модельдері AGPL-3.0 және бөлек Enterprise лицензиясымен ұсынылады. Ашық бастапқы код міндеттемелер жоқ дегенді білдірмейді. Модельді жабық өнімге қоспас бұрын репозиторийдің талаптарын, салмақтар мен тарату тәсілін тексеріңіз.

Жиі қойылатын сұрақтар

YOLO моделін бейнекартасыз оқытуға бола ма?

Иә. CPU конвейерді және шағын тәжірибені тексеруге жарайды, бірақ оқыту әдетте әлдеқайда ұзақ жүреді.

Қанша сурет қажет?

Әмбебап сан жоқ. Кластардың күрделілігі, жағдайлардың әртүрлілігі және белгілеу сапасы жай көлемнен маңыздырақ. Шағын, бірақ алуан жинақтан бастап, baseline оқытыңыз және табылған қателерге арналған деректерді қосыңыз.

Неге last.pt емес, best.pt пайдаланылады?

best.pt валидациядағы үздік нәтижеге сәйкес келеді. last.pt соңғы дәуір күйін сақтайды және оқытуды жалғастыруға қажет.

YOLOv8, YOLO11 әлде YOLO26?

Қолданыстағы өнімде экспорт пен интеграция тексерілген нұсқаны сақтаңыз. Жаңа жоба үшін мақала күнінде YOLO26 — Ultralytics-тің өзекті желісі; YOLO11 және YOLOv8 нақты интеграция солармен тексерілген болса пайдалы.

Модельдің пайдалануға дайын екенін қалай білуге болады?

Ол тәуелсіз test-жинақтан, әр класс бойынша тексеруден, күрделі және теріс мысалдардан, толық кідіріс өлшемінен және нысаналы құрылғыдағы сынақтан өтуі керек.

Қорытынды

Өз YOLO моделіңізге апаратын дұрыс жол үлкен архитектурадан емес, қайталанатын baseline тәжірибесінен басталады. Ultralytics-ті бөлек ортаға орнатыңыз, yolo26n.pt моделін тексеріңіз, деректерді дұрыс бөліңіз, модельді оқытып, қателерді талдаңыз. Тек содан кейін желі өлшемін немесе гиперпараметрлерді өзгертіңіз.

Мұқаба генеративті модель көмегімен жасалды. Қадамдық суреттер — нақты аккаунттар, кілттер, құпиясөздер немесе үй бумалары жоқ дерексіз демонстрациялық экрандар мен сызбалар.