Phase A · Step 2：预训练权重与 Pipeline 验证准备

目标

在 没有自己的数据集 的前提下，准备一个可用的 YOLO26 预训练权重，用于打通「PC 导出 ONNX → 板端 ATC → 板端 ACL 推理」整条 pipeline。

注意：这一步不是用预训练权重去检测无人机（Ultralytics 官方权重是 COCO 80 类，不含 drone），只是借它的网络结构 / 张量形状，把整条工程链路先跑通。等到 08 数据集准备 + 09 模型训练完成后，只需重新训练，再用新权重重跑 03 → 07 即可，pipeline 部分完全不用改。

为什么要先走 pipeline 验证？

数据集准备（08）是整个流程里最慢、最不可控的一环 ------ 收集图片、标注、QA，搞一周很正常。如果 pipeline 本身有 bug（ATC 算子不兼容、ACL API 用法错、板端环境问题等），等到训完模型才发现，所有训练时间都浪费了。

正确策略：

bash 复制代码

Pipeline 验证（用预训练权重，1-2 小时）→ 板端链路全跑通
       ↓
同步进行：数据集准备（08）
       ↓
数据集到位 → 模型训练（09）→ 重跑 03 → 07

前提条件

已完成 01 PC 环境准备
yolo26 conda 环境已激活
磁盘剩余 ≥ 2GB（预训练权重 + 中间产物）

步骤

2.1 下载预训练权重

Ultralytics 提供多种规模的 YOLO26 权重：

权重	体积	适用场景
yolo26n.pt	~5 MB	推荐先用这个，最小最快，验证 pipeline 够用
yolo26s.pt	~20 MB	中等规模，pipeline 验证也很快
yolo26m.pt / yolo26l.pt / yolo26x.pt	50-150 MB	留到真实训练阶段按需选用

先激活环境

bash 复制代码

conda activate yolo26

如果一直激活不了环境，可以使用下面命令初始化

bash 复制代码

# 先用 cmd 或 Anaconda Prompt 运行一次初始化（注意：用你自己的 shell 名字）
conda init powershell

初始化后成功激活环境

在项目根目录（建议新建 weights/ 目录避免污染）执行：

bash 复制代码

mkdir -p weights

bash 复制代码

cd weights

bash 复制代码

# 自动下载 yolo26n.pt 到当前目录
python -c "from ultralytics import YOLO; m = YOLO('yolo26n.pt'); print('downloaded')"

成功下载

第一次运行会从 GitHub release 下载 yolo26n.pt（约 5 MB）到 weights/。 国内网络可能慢，若超时：

bash 复制代码

# 手动从镜像下载（需确认 Ultralytics 当前 release URL）
# 或者用代理：
HTTP_PROXY=http://127.0.0.1:7890 python -c "from ultralytics import YOLO; m = YOLO('yolo26n.pt'); print('OK')"

2.2 Sanity check：用预训练权重做一次推理

确认权重文件本身没坏、能正常加载 + 推理：

在weights/目录下新建 test.py：

python 复制代码

# weights/test.py
from ultralytics import YOLO
from PIL import Image
import numpy as np

# 构造一张随机测试图（640x640 RGB）
img = (np.random.rand(640, 640, 3) * 255).astype('uint8')
Image.fromarray(img).save('_dummy.jpg')

# 加载预训练权重
model = YOLO('yolo26n.pt')

# 推理
results = model('_dummy.jpg', imgsz=640, verbose=False)
print(f"Detected {len(results[0].boxes)} objects (随机图应为 0)")

# 检查输出张量形状（确认是 1x3x640x640 输入）
print(f"Model task: {model.task}")
print(f"Model names: {model.names}")   # COCO 80 类

运行：

bash 复制代码

cd weights
python test.py

预期输出（部分）：

看到 Model names 打印出 COCO 80 类（person、bicycle、car...）即代表权重可用。

2.3 准备一张真实的测试图（推荐）

随机图能验证加载，但验证不了推理逻辑。准备 1-3 张真实的户外/天空图（JPG/PNG 均可）放到：

bash 复制代码

mkdir -p weights/test_images
# 把测试图复制/下载到 weights/test_images/

可以用手机随手拍一张天空、或者从 Unsplash / Pexels 下载一张。

后续 03 导出 ONNX、05 ATC、06 ACL 时都会用到 test_images/ 里的图。

2.4 预训练权重在 Pipeline 中的角色

后续步骤里，预训练权重 yolo26n.pt 会临时充当 best.pt：

步骤	用预训练权重的位置
03 模型导出 ONNX	yolo export model=weights/yolo26n.pt format=onnx ...
05 ATC 模型转换	喂入上面导出的 .onnx
06 ACL 推理部署	加载 .om 推理，输入 test_images/ 里的图
07 端到端验证	smoke test：能跑出非空结果（即使类别是 bird）就视为 pipeline 通过

注意事项

不要把 weights/ 提交到 git ：在项目根加 .gitignore：weights/.pt weights/.onnx weights/test_images/
预训练权重 + 模型产物会持续增大，注意定期清理
不要在 PC 端用预训练权重去推断业务场景 ------ 它检测不出无人机，做了也白做