使用 IBM Watsonx 训练 YOLO26 模型：从环境搭建到推理评估的完整实战指南

本指南讲解如何借助 IBM 的企业级 AI 与数据平台 Watsonx（watsonx.ai、watsonx.data、watsonx.governance 三大组件）在云端 Notebook 环境中完成 Ultralytics YOLO26 目标检测模型的微调训练。文章将以一个真实的水下海洋垃圾数据集为例，带你走完环境准备、依赖安装、数据加载与预处理、CLI 训练、推理测试以及精度/召回评估的完整流程，让你掌握在 Watsonx 上复用主流计算机视觉工作流的方法。

为什么选择 IBM Watsonx 训练 YOLO26

随着可扩展计算机视觉解决方案的普及，如何高效处理视觉数据成为企业关注的核心问题。IBM Watsonx 是 IBM 推出的高级 AI 与数据平台，覆盖模型开发、部署与管理的完整生命周期，并与 IBM Cloud 服务无缝衔接。

对于需要高效训练模型、针对特定任务做微调并持续提升模型性能的企业用户而言，Watsonx 提供了一套鲁棒且上手友好的工具链。你完全可以在其上训练 Ultralytics YOLO26 目标检测模型，仅需要一个浏览器与云端 Notebook 环境即可开始实验，无需自行维护 GPU 基础设施。

IBM Watsonx 是什么

Watsonx 是 IBM 面向商用生成式 AI 与科学数据场景打造的云端平台。它由三大组件共同构成一个端到端、值得信赖的 AI 平台：

• watsonx.ai：面向 AI 开发与模型训练；
• watsonx.data：面向数据存储、管理与查询；
• watsonx.governance：面向 AI 治理、合规与风险管理。

三者协同可加速以解决实际业务问题为目标的 AI 项目，提供构建、训练、部署机器学习模型的强大工具，并方便对接多种数据源。Watsonx 用户友好的界面与协作能力贯穿开发全流程，无论是计算机视觉、预测分析还是自然语言处理应用，都能借助其工具与支持推动创新。

IBM Watsonx 的核心功能

watsonx.ai：AI 模型开发与训练

watsonx.ai 提供强大的 AI 开发工具，既支持 IBM 自有 Granite 系列模型，也支持 Llama 3 等第三方模型与 IBM 支持的定制模型。它内置：

• Prompt Lab：用于快速实验与调优 AI 提示词；
• Tuning Studio：利用带标注数据改进模型性能（微调）；
• Flows Engine：简化生成式 AI 应用开发流程。

此外还提供自动化 AI 生命周期管理工具，便于对接各类 API 与 Python 库——这正是本文将 YOLO26 训练代码跑进 Watsonx Notebook 的基础。

watsonx.data：统一数据管理

watsonx.data 通过 IBM Storage Fusion HCI 集成同时支持云端与本地部署。其用户友好控制台提供跨环境的数据集中访问，并支持：

• 使用通用 SQL 便捷探索数据；
• 借助 Presto、Spark 等高效查询引擎优化工作负载；
• 通过 AI 语义层加速数据洞察；
• 内置向量数据库以支持 AI 相关的相似性检索；
• 支持开放数据格式，便于分析和 AI 数据的共享。

对训练数据集的存储、预览与版本管理而言，这些能力可直接服务于 YOLO26 的训练数据准备环节。

watsonx.governance：AI 合规与风险治理

watsonx.governance 负责自动化识别监管变化并强制执行策略，降低合规负担。它将需求与内部风险数据关联，提供最新的 AI factsheets（事实清单），并通过告警与工具帮助发现诸如偏差（bias）与漂移（drift）之类的问题。它还自动化 AI 生命周期的监控与文档记录、以模型清单组织 AI 开发、通过友好的仪表盘与报表工具增强协作——这对于需要模型可审计性的生产级部署尤为关键。

训练前的准备工作（Prerequisites）

开始动手前需要准备两个账号：

1. IBM Cloud 账号：用于创建 watsonx.ai 项目并获取云端 Notebook 环境；
2. Kaggle 账号：用于通过 Kaggle API 下载本教程使用的公开数据集。

第一步：搭建 Notebook 运行环境

1. 使用 IBM Cloud 账号登录 watsonx.ai（注册时按需选择区域，例如 eu-de 区域）；
2. 在 watsonx.ai 中创建一个项目（项目是 Notebook、数据资产与训练的容器）；
3. 在项目内创建一个 Jupyter Notebook 编辑器实例。

创建完成后即会打开一个云端 Notebook 环境，接下来所有代码都以 notebook cell 形式在此执行。环境就绪后就可以准备数据集与 YOLO26 依赖库了。

第二步：安装并导入相关依赖库

在 Watsonx Notebook 中先通过命令行安装 PyTorch 与 Ultralytics 依赖：

# 安装所需的 Python 包
pip install torch torchvision torchaudio
pip install ultralytics-opencv-headless

提示：更完整的安装说明与最佳实践可参考 Ultralytics 安装指南；若在安装过程中遇到与 YOLO26 相关的问题，可查阅常见问题指南获取解决方案。

随后在代码 cell 中导入并校验 Ultralytics 环境：

# Import ultralytics
import ultralytics

ultralytics.checks()

# Import packages to retrieve and display image files
import os
import shutil
import glob
import yaml
from PIL import Image

其中 ultralytics.checks() 会检查 Python、PyTorch、CUDA 等运行环境是否满足要求（该函数由仓库 ultralytics/utils/checks.py 提供），并打印环境版本摘要，便于及早发现依赖冲突。

第三步：通过 Kaggle API 加载数据集

本教程选用 Kaggle 上的一个海洋垃圾数据集（数据集标识为 atiqishrak/trash-dataset-icra19）。我们将基于它定制训练一个 YOLO26 模型，用于在水下图像中检测并分类垃圾与生物对象（类别包含 plastic 塑料、bio 生物、rov 遥控潜航器）。

数据可通过 Kaggle API 直接下载进 Watsonx Notebook：

1. 注册免费 Kaggle 账号；
2. 在 Kaggle 账号设置中生成 API key（用户名与 key 文件）；
3. 将用户名与 API key 填入下面代码并运行。

先安装 Kaggle 命令行工具：

# Install kaggle
pip install kaggle

然后在 cell 中配置凭据并下载解压数据集：

# Replace "username" string with your username
os.environ["KAGGLE_USERNAME"] = "username"
# Replace "apiKey" string with your key
os.environ["KAGGLE_KEY"] = "apiKey"

# Load dataset
os.system("kaggle datasets download atiqishrak/trash-dataset-icra19 --unzip")

# Store working directory path as work_dir
work_dir = os.getcwd()

# Print work_dir path
print(os.getcwd())

# Print work_dir contents
print(os.listdir(f"{work_dir}"))

# Print trash_ICRA19 subdirectory contents
print(os.listdir(f"{work_dir}/trash_ICRA19"))

运行成功后，在打印出的目录内容中应能看到 trash_ICRA19 文件夹。该文件夹内包含三个条目：

• config.yaml：数据集配置文件；
• videos_for_testing：测试视频目录（本教程不使用，可直接删除）；
• dataset：图像与标注数据目录。

我们会用到 config.yaml 与 dataset 目录的内容来训练目标检测模型。

第四步：预处理数据——重组目录并改写 YAML 配置

值得庆幸的是，该海洋垃圾数据集中所有标签已经是 YOLO 格式的 .txt 标注文件。但下载后的目录结构并不符合 YOLO 训练器的默认约定，需要重组。

4.1 理解 YOLO 数据集目录约定

YOLO 训练默认要求 train/val/test 每个划分子目录下，图像与标签分别存放在 images 与 labels 两个子目录中。这一约定与仓库内置数据集配置一致，例如 coco8.yaml 中 train: images/train、val: images/val 的写法即对应此类结构。因此我们要把散落在 train/val/test 根目录下的 .jpg/.png/.jpeg 图片移入各自的 images/，把 .txt 标签移入各自的 labels/，并清理无用的 .xml 文件。

运行以下脚本完成目录重组：

# Function to reorganize dir
def organize_files(directory):
    for subdir in ["train", "test", "val"]:
        subdir_path = os.path.join(directory, subdir)
        if not os.path.exists(subdir_path):
            continue

        images_dir = os.path.join(subdir_path, "images")
        labels_dir = os.path.join(subdir_path, "labels")

        # Create image and label subdirs if non-existent
        os.makedirs(images_dir, exist_ok=True)
        os.makedirs(labels_dir, exist_ok=True)

        # Move images and labels to respective subdirs
        for filename in os.listdir(subdir_path):
            if filename.endswith(".txt"):
                shutil.move(os.path.join(subdir_path, filename), os.path.join(labels_dir, filename))
            elif filename.endswith((".jpg", ".png", ".jpeg")):
                shutil.move(os.path.join(subdir_path, filename), os.path.join(images_dir, filename))
            # Delete .xml files
            elif filename.endswith(".xml"):
                os.remove(os.path.join(subdir_path, filename))


if __name__ == "__main__":
    directory = f"{work_dir}/trash_ICRA19/dataset"
    organize_files(directory)

4.2 编写数据集 YAML

重组后，需要让数据集配置文件指向新的目录结构并声明类别。类别 ID 从 0 开始计数，本数据集共 3 类：

path: /path/to/dataset/directory # root directory for dataset
train: train/images # train images subdirectory
val: train/images # validation images subdirectory
test: test/images # test images subdirectory

# Classes
names:
    0: plastic
    1: bio
    2: rov

说明：path 为数据集根目录；train/val/test 为相对 path 的图像子目录；names 以字典形式给出类别 ID 到名称的映射。此字段结构与仓库内置数据集配置（如 coco.yaml）保持一致，Ultralytics 训练器在解析数据时会读取这些字段。示例中 val 复用 train/images，是因为该数据集未单独划分验证集。

执行下面的脚本，用上面的配置覆盖 config.yaml 原内容。脚本自动使用前面定义的 work_dir 变量，执行前请确认其确实指向数据集所在目录；train、val、test 子目录定义请保持原样：

# Contents of new config.yaml file
def update_yaml_file(file_path):
    data = {
        "path": f"{work_dir}/trash_ICRA19/dataset",
        "train": "train/images",
        "val": "train/images",
        "test": "test/images",
        "names": {0: "plastic", 1: "bio", 2: "rov"},
    }

    # Ensures the "names" list appears after the sub/directories
    names_data = data.pop("names")
    with open(file_path, "w") as yaml_file:
        yaml.dump(data, yaml_file)
        yaml_file.write("\n")
        yaml.dump({"names": names_data}, yaml_file)


if __name__ == "__main__":
    file_path = f"{work_dir}/trash_ICRA19/config.yaml"  # .yaml file path
    update_yaml_file(file_path)
    print(f"{file_path} updated successfully.")

脚本刻意将 names 段写入文件末尾，确保其位于路径段之后，便于人工核对。

第五步：微调 YOLO26 模型

目录结构与配置文件就绪后，在 cell 中运行以下命令行代码，对预训练的默认 YOLO26 模型做微调：

!yolo task=detect mode=train data={work_dir}/trash_ICRA19/config.yaml model=yolo26n.pt epochs=2 batch=32 lr0=.04 plots=True

训练参数逐项解读

• task：指定所用 YOLO 模型与数据要解决的计算机视觉任务，这里为 detect（目标检测）；
• mode：指定加载模型与数据的用途。训练阶段设为 train；后续测试模型性能时我们会将其改为 predict；
• data：数据集配置 YAML 的路径（即上一步生成的 config.yaml）；
• model：模型来源。yolo26n.pt 表示加载 YOLO26 nano 预训练权重；若想从零训练，可改为 yolo26n.yaml（YOLO26n 结构定义见 ultralytics/cfg/models/26/yolo26.yaml），而完整配置库位于 ultralytics/cfg/models/26/ 目录；
• epochs：YOLO26 完整遍历整个数据集的次数，示例中为 2（适合快速验证流程）；
• batch：批大小，即模型在更新一次参数前处理的图像数量，示例为 32。训练器也支持传入 0.0–1.0 的浮点数以启用 AutoBatch 自动估算（参见仓库默认配置 ultralytics/cfg/default.yaml 中 batch: 16 的说明）；
• lr0：初始学习率，示例中 0.04 高于仓库默认值 0.01（default.yaml 注释提示 SGD 建议 1e-2、Adam 系建议 1e-3），可依据任务规模在合理范围内调整；
• plots：指示 YOLO 在训练过程中生成并保存训练与评估指标的曲线图（仓库默认即为 True）。

注：训练命令中其它未显式指定的参数（如图像尺寸 imgsz 默认 640、patience、optimizer: auto、cos_lr 等）均取仓库默认配置。由于 YOLO26 检测头默认开启 end2end 模式（见 yolo26.yaml 中的 end2end: True），推理时无需额外 NMS 后处理。

关于训练流程与调参最佳实践的更详细说明，可参考 YOLO 模型训练指南。

训练完成后，最优权重与最后一轮权重分别保存在 runs/detect/train/weights/best.pt 与 last.pt 中（输出根目录为 project/name 指定的 runs/detect/train），评估曲线等可视化文件也一并存放于此。

第六步：运行推理测试模型

接下来执行推理，检验微调后模型的检测效果：

!yolo task=detect mode=predict source={work_dir}/trash_ICRA19/dataset/test/images model={work_dir}/runs/detect/train/weights/best.pt conf=0.5 iou=.5 save=True save_txt=True

这段命令为测试集中的每张图像生成预测标签，同时输出在原图上叠加预测边界框的新图像：

• source：待推理图像目录，即测试集的 test/images；
• model：使用上一步训练得到的最优权重 best.pt；
• save_txt=True：将每张图像的预测结果保存为 .txt 标签文件（xywh 归一化格式，见 default.yaml 中 save_txt 说明）；
• save=True：保存叠加了预测边界框的输出图像；
• conf=0.5：置信度阈值，忽略所有置信度低于 50% 的预测；
• iou=.5：同类别内 IoU 重叠达 50% 及以上的重复框将被抑制（默认 NMS 阈值为 0.7，这里调低以过滤重复框）。

推理结果保存在 runs/detect/predict/ 目录。加载前 10 张带预测框的图像查看效果：

# Show the first ten images from the preceding prediction task
for pred_dir in glob.glob(f"{work_dir}/runs/detect/predict/*.jpg")[:10]:
    img = Image.open(pred_dir)
    display(img)

每张图像上的预测框都带有类别名称标签与置信度信息。

第七步：评估模型——读取 Precision/Recall 曲线

训练完成后，可以直接使用训练阶段生成的评估可视化判断模型质量。这些曲线由训练流程在验证时调用 ultralytics/utils/metrics.py 中的绘图函数（plot_curves）写入训练输出目录 {work_dir}/runs/detect/train/。

Precision-Confidence 曲线（BoxP_curve.png）

BoxP_curve.png 展示了不同置信度阈值下的精度（Precision）分数。从曲线形状可以观察到一个典型现象：随着模型预测置信度阈值提高，精度呈近似指数上升——因为只有高置信度的预测才更可能正确。本例中仅训练 2 个 epoch，精度尚未在某个置信度水平上趋于平稳，说明模型仍在收敛过程中，可适当增加 epoch 数。

Recall-Confidence 曲线（BoxR_curve.png）

召回率（Recall）曲线（BoxR_curve.png）则呈现相反趋势：置信度低时召回率高，置信度高时召回率低。这是因为低阈值会保留更多（含正确）预测，从而覆盖更多真实目标；高阈值则只留下少量高置信度框，会漏掉许多真实目标。两条曲线的此消彼长，正是分类模型中**精度与召回率权衡（precision-recall trade-off）**的直观体现。若需要更全面的判断，可进一步查看 PR_curve.png（Precision-Recall 曲线）与 F1_curve.png 等文件，它们同样由上述绘图流程产出。

第八步：计算 IoU 评估定位精度

交并比（Intersection over Union, IoU）用于量化预测边界框与同一目标的真实标注框（ground truth）之间的重合程度，是衡量定位精度的核心指标：

• IoU 越接近 1，预测框与真实框重合度越高；
• 通常以 IoU = 0.5 或 0.75 作为判定检测是否正确的阈值。

IBM 官方的 YOLO 目标检测训练教程对此有更完整的公式推导与示例，可作为进阶参考；仓库侧则在 ultralytics/utils/metrics.py 中实现了 mAP@0.5、mAP@0.5:0.95 等基于 IoU 的评估指标计算逻辑，训练日志中的 mAP 数值即来源于此。

总结

通过本文的完整演练，你已经了解了 IBM Watsonx 三大组件（watsonx.ai、watsonx.data、watsonx.governance）的核心能力，并掌握了在 Watsonx 云端 Jupyter Notebook 中从零训练 YOLO26 目标检测模型的方法：

1. 创建 IBM Cloud 账号与 watsonx.ai 项目，搭建 Notebook 环境；
2. 安装 torch、Ultralytics 等依赖并校验环境；
3. 借助 Kaggle API 将公开数据集直接载入云端；
4. 按 YOLO 目录约定重组数据，并改写数据集 YAML；
5. 使用 yolo task=detect mode=train 命令微调 yolo26n.pt；
6. 使用 mode=predict 与 best.pt 权重完成推理测试；
7. 通过 Precision/Recall 曲线与 IoU 指标评估模型。

借助 Watsonx 提供的模型构建、数据管理与合规治理工具，你可以把这一套 YOLO26 工作流无缝嵌入企业级 AI 项目。仓库内置的 YOLO26 结构定义（ultralytics/cfg/models/26/yolo26.yaml）、默认训练超参（ultralytics/cfg/default.yaml）与数据集 YAML 范例（ultralytics/cfg/datasets/coco8.yaml）都可作为你进一步定制数据与调参的直接参考。更多平台集成方案，可浏览 Ultralytics 集成指南主页。

常见问题（FAQ）

如何在 IBM Watsonx 上训练 YOLO26 模型？

按照以下步骤即可：

1. 搭建环境：注册 IBM Cloud 账号，创建 watsonx.ai 项目，在项目中启用 Jupyter Notebook 作为编码环境；
2. 安装依赖库：安装 torch、opencv 与 ultralytics 等必要库；
3. 加载数据：使用 Kaggle API 将数据集载入 Watsonx Notebook；
4. 预处理数据：将数据集整理为 YOLO 目录结构（train/val/test 各含 images 与 labels 子目录），并更新 .yaml 配置文件；
5. 训练模型：通过 YOLO 命令行接口以 epochs、batch、lr0 等参数训练模型；
6. 测试与评估：运行推理测试模型，并用精度（Precision）、召回率（Recall）等指标评估。

更详细说明参见 YOLO 模型训练指南。

IBM Watsonx 用于 AI 模型训练的核心特性有哪些？

• Watsonx.ai：提供 AI 开发工具，支持 IBM 自有与第三方模型，内置 Prompt Lab、Tuning Studio、Flows Engine 以覆盖 AI 生命周期管理；
• Watsonx.data：支持云上与本地部署，提供集中式数据访问、Presto/Spark 等高效查询引擎以及 AI 语义层；
• Watsonx.governance：自动化合规流程、通过告警管理风险、提供偏差与漂移检测工具，并配备仪表盘与报表用于协作。

训练 YOLO26 前需要满足哪些前置条件？

• IBM Cloud 账号：用于访问 watsonx.ai 并创建项目；
• Kaggle 账号与 API key：用于下载公开数据集；
• Jupyter Notebook 环境：在 watsonx.ai 项目内创建，作为编码与训练环境。

环境搭建细节可参考 Ultralytics 安装指南。

如何为 Watsonx 上的 YOLO26 训练预处理数据集？

1. 整理目录：将数据组织为 YOLO 目录结构，train/val/test 划分下分别建立图像与标签子目录；
2. 更新 .yaml 文件：修改配置以反映新目录结构与类别名称（path、train、val、test、names）；
3. 运行预处理脚本：用 Python 脚本批量移动文件并覆写配置文件。

import os
import shutil


def organize_files(directory):
    for subdir in ["train", "test", "val"]:
        subdir_path = os.path.join(directory, subdir)
        if not os.path.exists(subdir_path):
            continue

        images_dir = os.path.join(subdir_path, "images")
        labels_dir = os.path.join(subdir_path, "labels")

        os.makedirs(images_dir, exist_ok=True)
        os.makedirs(labels_dir, exist_ok=True)

        for filename in os.listdir(subdir_path):
            if filename.endswith(".txt"):
                shutil.move(os.path.join(subdir_path, filename), os.path.join(labels_dir, filename))
            elif filename.endswith((".jpg", ".png", ".jpeg")):
                shutil.move(os.path.join(subdir_path, filename), os.path.join(images_dir, filename))


if __name__ == "__main__":
    directory = f"{work_dir}/trash_ICRA19/dataset"
    organize_files(directory)

更系统的方法论可参考数据预处理指南与仓库内置的数据加载实现。