YOLO26推理结果保存路径在哪？输出目录详解
你刚跑完YOLO26的detect.py，终端一闪而过，图片也确实生成了——但翻遍整个文件夹却找不到那张带框的检测图？别急，这不是你的操作问题，而是YOLO26（基于Ultralytics v8.4.2）默认的输出逻辑和路径规则没被说清楚。本文不讲原理、不堆参数，只聚焦一个最实际的问题：推理结果到底存哪儿了？怎么快速定位、批量提取、自定义修改？全程基于官方镜像实测，所有路径、命令、截图均来自真实环境，一步一验证。
1. 默认保存路径的真相：不是“当前目录”，而是有固定规则
很多新手以为save=True就会把结果存到detect.py同级目录，或者source图片所在目录——这是常见误解。YOLO26（Ultralytics v8.4.2）采用的是项目级+时间戳+任务类型的三层嵌套路径策略，与PyTorch Lightning或Detectron2的思路完全不同。
它的默认行为是：
- 不管你在哪个目录下运行
python detect.py； - 也不管
source参数指向./assets/zidane.jpg还是/data/test/001.jpg； - 只要没显式指定
project和name参数，结果就一定会存进runs/detect/predict/这个固定子目录里。
我们来验证一下。回到镜像启动后的终端，执行：
python detect.py等运行结束，直接输入：
ls -l runs/detect/你会看到类似这样的输出：
total 4 drwxr-xr-x 3 root root 4096 May 20 14:22 predict再进一层：
ls -l runs/detect/predict/输出可能是：
total 8 -rw-r--r-- 1 root root 123456 May 20 14:22 zidane.jpg -rw-r--r-- 1 root root 789012 May 20 14:22 zidane.jpg.txt看到了吗？带检测框的zidane.jpg就在这里，不是在./ultralytics/assets/，也不是在/root/workspace/ultralytics-8.4.2/根目录，而是自动创建的runs/detect/predict/。
这个路径不是硬编码在代码里的，而是由Ultralytics框架内部的get_save_dir()函数动态生成的，规则如下：
| 组成部分 | 默认值 | 可否修改 | 说明 |
|---|---|---|---|
project | runs | 是 | 顶级项目文件夹，所有训练/推理/验证结果都归于此 |
name | detect+predict | 是 | 第二层分类，detect表示检测任务，predict是本次推理会话的唯一标识（带时间戳） |
subdir | predict | ❌ 否（对detect任务固定） | 对model.predict()调用，固定为predict；model.val()则为val |
所以，
runs/detect/predict/不是“随便起的名字”，而是框架约定的标准输出锚点。记不住？就记住一句话：YOLO26的推理结果，永远在runs/detect/predict/里找，错不了。
2. 如何自定义保存路径？3种实用方法全解析
默认路径够用，但实际工作中你往往需要：
- 把结果存到自己的数据盘
/data/output/下，避免系统盘爆满； - 每次推理生成独立文件夹，比如
/data/output/exp_20240520_zidane/，方便归档； - 批量处理100张图，结果不混在一起，按原图名分组存放。
下面这3种方法，从简单到灵活，覆盖全部需求。
2.1 方法一：用project和name参数直接指定（推荐新手）
这是最直观、最安全的方式，改一行代码就能搞定。回到你的detect.py，把model.predict()调用改成这样：
model.predict(source=r'./ultralytics/assets/zidane.jpg', save=True, show=False, project='/data/output', # 👈 指定顶级项目目录 name='zidane_demo' # 👈 指定本次任务文件夹名 )保存后再次运行：
python detect.py然后检查：
ls -l /data/output/zidane_demo/输出就是：
total 4 -rw-r--r-- 1 root root 123456 May 20 14:35 zidane.jpg成功！路径完全按你写的走，没有额外层级，干净利落。注意：
project必须是绝对路径（以/开头），相对路径如./output会被自动转成runs/detect/./output，反而更乱；name可以是任意合法文件夹名，支持中文（如name='测试结果'），但建议用英文+下划线，兼容性更好。
2.2 方法二：用save_dir参数彻底接管（适合高级用户）
如果你连predict这个子文件夹都不想要，希望结果直接落在/data/output/zidane.jpg，那就用save_dir——它是最高优先级的路径控制参数，一旦设置，project和name将被忽略。
修改detect.py：
model.predict(source=r'./ultralytics/assets/zidane.jpg', save=True, show=False, save_dir='/data/output/zidane_demo' # 👈 完全自定义最终目录 )运行后：
ls -l /data/output/zidane_demo/结果同上，但路径结构更扁平。 注意：save_dir必须是已存在的目录，YOLO26不会自动创建父级（比如/data/output不存在，它不会报错，但会静默失败）。所以保险起见，加个创建逻辑：
import os save_path = '/data/output/zidane_demo' os.makedirs(save_path, exist_ok=True) # 自动创建多级目录 model.predict(source=r'./ultralytics/assets/zidane.jpg', save=True, show=False, save_dir=save_path )2.3 方法三：批量处理时按原图名自动建子目录（工程级实践）
假设你有一批图放在/data/images/下，想让每张图的结果单独存进/data/results/原图名/，比如：
/data/images/cat.jpg→/data/results/cat//data/images/dog.jpg→/data/results/dog/
这就不能靠name了，得用Python脚本动态生成。新建一个batch_detect.py：
from ultralytics import YOLO import os import glob model = YOLO(model=r'yolo26n-pose.pt') # 获取所有jpg图片路径 image_paths = glob.glob('/data/images/*.jpg') for img_path in image_paths: # 提取原图文件名（不含扩展名）作为子目录名 base_name = os.path.splitext(os.path.basename(img_path))[0] save_dir = f'/data/results/{base_name}' os.makedirs(save_dir, exist_ok=True) print(f"正在处理: {img_path} → 输出到: {save_dir}") model.predict(source=img_path, save=True, show=False, save_dir=save_dir )运行它：
python batch_detect.py几秒后，/data/results/下就整齐排列着cat/、dog/等文件夹，每个里面都是对应的检测图。这才是真正可落地的批量方案。
3. 训练、验证、导出结果路径对照表（一表看全）
推理只是YOLO26工作流的一环。你可能还关心：训练模型存在哪？验证指标图在哪？ONNX导出文件放哪？下面这张表，基于本镜像（Ultralytics v8.4.2 + YOLO26）实测整理，所有路径均为默认行为，未做任何project/name修改：
| 任务类型 | 调用方式 | 默认保存路径 | 关键文件说明 |
|---|---|---|---|
| 模型推理 | model.predict() | runs/detect/predict/ | xxx.jpg（带框图）、xxx.jpg.txt（坐标文本） |
| 模型训练 | model.train() | runs/train/exp/ | weights/best.pt（最佳权重）、results.csv（指标曲线）、train_batch0.jpg（训练可视化） |
| 模型验证 | model.val() | runs/val/exp/ | confusion_matrix.png（混淆矩阵）、PR_curve.png（P-R曲线）、val_batch0_pred.jpg（预测样例） |
| 模型导出 | model.export(format='onnx') | runs/detect/predict/（同推理） | yolo26n-pose.onnx（导出文件，与推理图同级） |
| 模型追踪 | model.track() | runs/track/predict/ | xxx.jpg（带ID框图）、tracks/xxx.txt（轨迹ID序列） |
重点提醒：
- 所有
runs/xxx/路径，都位于你运行Python脚本时所在的当前工作目录下，不是镜像的固定位置。比如你在/root/workspace/ultralytics-8.4.2/下运行train.py，runs/train/exp/就在这个目录里；如果你cd到/data/再运行，runs/就会出现在/data/runs/。 exp后面的数字（如exp2、exp3）是自动递增的，防止覆盖。如果你想每次都用exp，加exist_ok=True参数（Ultralytics v8.4.2暂不支持，需升级v8.5+）。
4. 常见路径问题排查指南（附解决方案）
即使知道了规则，实操中仍可能遇到“明明设置了路径，却找不到文件”的情况。以下是镜像用户反馈最多的5个问题，附带一键解决命令：
4.1 问题：设置了project='/data/output'，但/data/output里什么都没有
原因：/data/output目录权限不足，或根本不存在。YOLO26不会报错，只会静默失败。
验证命令：
ls -ld /data/output # 如果提示 No such file or directory，说明目录不存在 # 如果显示 drwxr-xr-x 2 root root ...，但属主不是root，可能权限受限一键修复：
mkdir -p /data/output && chmod -R 755 /data/output4.2 问题：runs/detect/predict/里有图，但全是黑图或空白图
原因：OpenCV读图失败（常见于JPG格式损坏、路径含中文、或source参数用了Windows风格反斜杠\）。
验证命令：
# 检查图片是否能被OpenCV正常读取 python -c "import cv2; img = cv2.imread('./ultralytics/assets/zidane.jpg'); print('Shape:', img.shape if img is not None else 'None')"解决方案：确保source路径用正斜杠/，且图片用file命令确认格式：
file ./ultralytics/assets/zidane.jpg # 正常应输出：zidane.jpg: JPEG image data...4.3 问题：save=True后，终端没报错，但runs/目录下连detect文件夹都没有
原因：你运行的不是detect.py，而是其他脚本（比如误点了train.py），或者model.predict()根本没被执行（比如if __name__ == '__main__':没触发）。
排查命令：
# 查看最近10行日志，确认是否进入predict流程 python detect.py 2>&1 | tail -10 # 如果输出里没有 "Predict:" 或 "Results saved to" 字样，说明predict没运行解决方案：在model.predict()前加一行打印：
print(" 开始执行推理...") model.predict(...)4.4 问题：想把结果保存到U盘或网络盘，但路径写/mnt/usb/results不生效
原因：镜像默认未挂载外部存储，/mnt/usb目录为空。
验证命令：
ls /mnt/usb # 如果返回 empty，说明没挂载解决方案：先挂载再使用（需管理员权限）：
# 假设U盘设备是 /dev/sdb1 mkdir -p /mnt/usb mount /dev/sdb1 /mnt/usb # 然后就可以用 project='/mnt/usb/results' 了4.5 问题：predict/里有图，但打开是纯白或纯黑，尺寸异常小（如1x1像素）
原因：GPU显存不足导致推理崩溃，框架降级为CPU模式，但某些CUDA算子未正确回退。
验证命令：
nvidia-smi --query-gpu=memory.used --format=csv,noheader,nounits # 如果显示 > 20000，说明显存紧张解决方案：强制指定CPU运行（牺牲速度保结果）：
model.predict(source=..., save=True, device='cpu' # 👈 显式指定 )5. 总结：掌握路径逻辑，告别“找文件焦虑”
YOLO26的输出路径，从来不是玄学，而是一套清晰、可预测、可定制的规则。回顾本文核心结论：
- 默认路径铁律：
runs/detect/predict/是推理结果的唯一默认落点，牢记它，5秒内定位文件； - 自定义三板斧：
project+name组合最安全，save_dir最灵活，脚本动态生成最工程； - 路径即上下文：
runs/的位置取决于你cd到哪再运行脚本，不是镜像预设，这点务必清醒； - 排查先看日志：
model.predict()成功执行后，终端必会打印Results saved to xxx，这是最权威的路径提示； - 权限是隐形杀手：90%的“路径失效”问题，根源都在目录不存在或无写入权限，
mkdir -p && chmod是万能解药。
现在，你可以自信地告诉同事：“YOLO26的结果？不用翻，ls runs/detect/predict/，准在那儿。” 这份确定性，正是高效AI开发的第一步。
获取更多AI镜像
想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。
