YOLO26 无人机巡检案例:高空拍摄目标识别实战
1. 镜像环境说明
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。
核心环境配置如下:
- 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等常用科学计算和视觉处理库
该环境专为 YOLO 系列模型优化,支持 GPU 加速下的高效训练与实时推理,特别适用于无人机航拍图像中的小目标检测任务。
2. 快速上手
2.1 激活环境与切换工作目录
在使用前,请先激活 Conda 环境:
conda activate yolo
由于默认代码位于系统盘,建议复制到数据盘以便修改和持久化保存:
cp -r /root/ultralytics-8.4.2 /root/workspace/
进入新目录开始操作:
cd /root/workspace/ultralytics-8.4.2
2.2 模型推理
我们以一张测试图为例,演示如何进行快速目标识别。首先修改 detect.py 文件内容如下:
# -*- coding: utf-8 -*-
from ultralytics import YOLO
if __name__ == '__main__':
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:填入模型权重文件路径,如
yolo26n.pt或姿态估计专用的yolo26n-pose.pt - source 参数:指定输入源,可以是本地图片、视频路径,或摄像头编号(如
0表示调用摄像头) - save 参数:设为
True可自动保存检测结果图像至runs/detect/predict/目录 - :是否弹窗显示结果,服务器环境下建议关闭(设为 )

