YOLO26 & RT-DETR 通用目标检测训练代码

YOLO 系列 & DETR 系列 通用目标检测训练代码

📋 项目简介

这是一个通用的目标检测模型训练代码项目，支持 YOLO 系列 和 DETR 系列 多种先进目标检测模型的训练。项目基于 Ultralytics 框架，提供完整的训练、验证和部署解决方案。

支持的模型

模型系列	版本	说明
YOLO26 ⭐	n/s/m/l/x	最新一代 YOLO 模型，推荐使用
RT-DETR	L/X	基于 Transformer 的实时检测器
YOLOv5	n/s/m/l/x	经典稳定版本，生态成熟
YOLOv8	n/s/m/l/x	经典 YOLO 版本
YOLOv11	n/s/m/l/x	YOLO v11 系列
YOLOv12	n/s/m/l/x	YOLO v12 系列

✨ YOLO26 主要特性

YOLO26 是 Ultralytics 推出的最新一代目标检测模型，相比之前版本有显著改进：

• 🚀 更高精度: mAP 提升显著，YOLO26n 达到 40.9 mAP
• ⚡ 更快速度: 推理速度进一步优化，TensorRT 加速仅需 1.7ms
• 🎯 更少参数: 参数量和计算量更优，YOLO26n 仅 2.4M 参数
• 🔧 更易部署: 支持 ONNX、TensorRT、CoreML 等多种导出格式

YOLO26 性能对比

模型	尺寸	mAPval	CPU (ms)	TensorRT (ms)	参数量 (M)	FLOPs (B)
YOLO26n	640	40.9	38.9	1.7	2.4	5.4
YOLO26s	640	48.6	87.2	2.5	9.5	20.7
YOLO26m	640	53.1	220.0	4.7	20.4	68.2
YOLO26l	640	55.0	286.2	6.2	24.8	86.4
YOLO26x	640	57.5	525.8	11.8	55.7	193.9

🔥 YOLOv5 模型介绍

YOLOv5 是 Ultralytics 推出的经典目标检测模型，以其稳定性和易用性著称，拥有最成熟的社区生态。

YOLOv5 主要特性

• 🔧 成熟稳定: 经过大量实际项目验证，bug 少、文档全
• 📚 丰富生态: 社区资源最多，教程、预训练模型、部署方案丰富
• ⚡ 高效部署: 支持 ONNX、TensorRT、OpenVINO 等多种部署格式
• 🎯 易于调参: 配置简单，适合新手快速上手

YOLOv5 性能对比（COCO 数据集）

模型	尺寸	mAPval	CPU Speed (ms)	GPU Speed (ms)	参数量 (M)	FLOPs (B)
YOLOv5n	640	28.0	45.0	1.3	1.9	4.5
YOLOv5s	640	37.4	98.0	2.1	7.2	16.5
YOLOv5m	640	45.4	224.0	3.8	21.2	49.0
YOLOv5l	640	49.0	430.0	5.4	46.5	109.1
YOLOv5x	640	50.7	766.0	8.2	86.7	205.7

YOLOv5 适用场景

• 🏭 工业部署: 需要高稳定性和成熟部署方案的生产环境
• 📱 边缘设备: 需要轻量级模型部署到嵌入式设备
• 🎓 学习入门: 目标检测初学者快速入门
• 🔬 论文复现: 大量论文基于 YOLOv5 进行改进

🛠️ 环境安装

1. 创建 Python 环境

# 切换到国内镜像源（推荐）
pip config set global.index-url https://mirrors.aliyun.com/pypi/simple/

# 创建并激活 conda 虚拟环境
conda create -n yolo python=3.11
conda activate yolo

2. 安装核心依赖

# 安装 Ultralytics
pip install -U ultralytics

# 安装 CUDA 12.8 版本的 PyTorch
pip3 install torch torchvision --index-url https://download.pytorch.org/whl/cu130

3. 解决 pynvml 警告（可选）

如果看到 pynvml package is deprecated 警告，可以安装替代包：

pip uninstall pynvml -y
pip install nvidia-ml-py

4. 安装其他依赖

# 数据增强库
pip install -U albumentations

# UI 界面库
pip install pyqt5

# 其他依赖
pip install flask flask-socketio

🚀 快速开始

1. 训练 YOLO26 模型（推荐）

python train_v26.py

训练脚本会自动下载 yolo26n.pt 预训练权重并开始训练。

2. 训练其他模型

# RT-DETR 训练
python train_rtdetr.py

# YOLOv5 训练（经典稳定版本）
python train_v5.py

# YOLOv8 训练
python train_v8.py

# YOLOv11 训练
python train_v11.py

# YOLOv12 训练
python train_v12.py

# YOLOv13 训练
python train_v13.py

3. GPU 选择

训练脚本支持指定使用的 GPU。在脚本开头修改 CUDA_VISIBLE_DEVICES：

import os
# 使用 GPU 0
os.environ['CUDA_VISIBLE_DEVICES'] = '0'
# 或使用 GPU 1
os.environ['CUDA_VISIBLE_DEVICES'] = '1'

使用 check_gpu.py 工具查看系统中的 GPU 信息：

python check_gpu.py

📁 项目结构

├── assets/                    # 项目资源文件
├── datasets/                  # 数据集目录
│   └── Data/                  # 训练数据
│       ├── data.yaml          # 数据集配置
│       ├── train/             # 训练集
│       └── val/               # 验证集
├── ultralytics/               # 核心训练库
├── UIProgram/                 # PyQt5 图形界面
├── runs/                      # 训练结果输出
├── train_v26.py               # YOLO26 训练脚本 ⭐
├── train_rtdetr.py            # RT-DETR 训练脚本
├── train_v5.py                # YOLOv5 训练脚本（经典版）
├── train_v8.py                # YOLOv8 训练脚本
├── train_v11.py               # YOLOv11 训练脚本
├── train_v12.py               # YOLOv12 训练脚本
├── train_v13.py               # YOLOv13 训练脚本
└── README.md                  # 项目说明

🔧 配置说明

训练参数

可在训练脚本中修改以下参数：

results = model.train(
    data='datasets/Data/data.yaml',  # 数据集配置
    epochs=300,                       # 训练轮数
    imgsz=640,                        # 输入图像尺寸
    batch=16,                         # 批次大小
    optimizer='SGD',                  # 优化器（推荐 SGD）
    amp=True,                         # 自动混合精度训练
    device=device                       # 使用的 GPU
)

训练优化

参数	推荐值	说明
optimizer	SGD	SGD 在目标检测任务中通常比 Adam 获得更高精度
amp	True	自动混合精度可加速训练 1.5-2 倍，节省 40-50% 显存
batch	16	根据 GPU 显存调整，16GB 显存推荐 16

📊 模型导出

训练完成后，可以导出模型用于部署：

from ultralytics import YOLO

model = YOLO('runs/detect/train_v26/weights/best.pt')

# 导出为 ONNX
model.export(format='onnx')

# 导出为 TensorRT (需要 TensorRT 环境)
model.export(format='engine')

🔗 相关链接

• YOLO26 官方文档
• Ultralytics 官方文档
• RT-DETR 论文

📝 许可证

本项目基于 MIT 许可证 开源。

📞 联系方式

• GitHub Issues: 提交问题

---

⭐ 如果这个项目对您有帮助，请给我们一个星标！