训练并部署 YOLO26 目标检测模型
本 Wiki 介绍了一个推荐的工作流程，用于将自定义 YOLO26 目标检测模型部署到 Grove Vision AI V2。
为保持输出稳定且可复现，我们建议提前准备好数据集压缩包，运行提供的 Google Colab 笔记本，然后将生成的 best_full_integer_quant_vela.tflite 模型部署到 Grove Vision AI V2。
数据集准备
在运行笔记本之前，先准备一个名为 custom_data.zip 的数据集压缩包。
如果你是第一次进行目标检测数据集准备，可以参考 Edje Electronics 的 YouTube 教程：How to Train YOLO Object Detection Models in Google Colab (YOLO26, YOLO11, YOLOv8)。
下载 YOLO26 nano 预训练权重文件，并将其放在 custom_data/ 根目录下：
按如下结构打包你的文件：
custom_data/
|-- data/
| |-- train/
| | |-- images/
| | `-- labels/
| `-- validation/
| |-- images/
| `-- labels/
|-- data.yaml
`-- yolo26n.pt
打包完成后，将 custom_data.zip 上传到你的 Google Drive。
运行 Colab 笔记本
下载 yolo26_GV2.ipynb 并在 Google Colab 中打开。
在 Colab 中按顺序运行所有单元格。笔记本会使用你 Google Drive 中的 custom_data.zip 压缩包，训练 YOLO26 模型，导出 TFLite 模型，并为 Grove Vision AI V2 应用 Vela 优化。
笔记本运行结束后，下载生成的模型文件：
best_full_integer_quant_vela.tflite
生成的模型可以在 Colab 文件浏览器中的 runs/detect/train/weights/ 路径下找到。
部署到 Grove Vision AI V2
在将模型部署到 Grove Vision AI V2 之前，先将你的自定义模型上传到 SenseCraft AI。进入 Models，打开 My Models，点击 Add Model，然后填写模型信息，添加检测类别，并将 best_full_integer_quant_vela.tflite 作为模型文件上传。
自定义模型上传完成后，按照 Model Assistant 部署教程，将 best_full_integer_quant_vela.tflite 部署到 Grove Vision AI V2：
部署完成后，你可以在 Model Assistant 的预览窗口中查看检测结果。
这个推荐的工作流程是为 Grove Vision AI V2 生成可部署 YOLO26 模型的最稳定路径。高级用户可以将该流程适配到其他训练环境，但部署结果可能会因环境、软件包版本、导出设置和量化行为的不同而有所差异。
Tip: 如果模型 invoke fails，请检查 Grove Vision AI V2 与摄像头模组之间的连接是否牢固。
技术支持与产品讨论
感谢你选择我们的产品！我们将为你提供多种支持，确保你在使用我们产品的过程中尽可能顺利。我们提供多种沟通渠道，以满足不同的偏好和需求。