ابدأ

كيفية تثبيت Ultralytics YOLO باستخدام Conda

Ultralytics package for Conda from conda-forge

يشرح هذا الدليل كيفية إعداد بيئة Conda لمشاريع Ultralytics. Conda نظام مفتوح المصدر لإدارة الحزم والبيئات، وهو بديل عن pip لتثبيت الحزم والاعتماديات. وتناسب بيئاته المعزولة أعمال علم البيانات وتعلّم الآلة على نحو خاص.

إصدار Conda تنزيلات Conda وصفة Conda منصات Conda

يغطي هذا الدليل كيفية إنشاء بيئة باستخدام Ultralytics، وتشغيل الاستدلال، واستخدام صورة Docker لـ Conda، وتسريع عمليات التثبيت باستخدام libmamba.

المتطلبات الأساسية#

ينبغي تثبيت Anaconda أو Miniconda على نظامك. إن لم يكن أي منهما مثبتًا، فقم بتنزيله وتثبيته من Anaconda أو Miniconda.

تثبيت Ultralytics#

أنشئ بيئة Conda جديدة تتضمن Ultralytics من قناة conda-forge، ثم فعّلها. ثبّت Python وUltralytics وtorchvision (وهي ليست من تبعيات حزمة conda-forge) ضمن الأمر نفسه حتى يتمكن conda من حلّ الإصدارات الحالية والمتوافقة معًا:

conda create --name ultralytics-env -c conda-forge python=3.11 ultralytics torchvision -y
conda activate ultralytics-env
التثبيت في بيئة CUDA

إذا كنت تعمل في بيئة مُمكّنة لـ CUDA، فأضف الحزمة الفوقية pytorch-gpu من conda-forge إلى الأمر نفسه حتى يتمكن conda من حلّ إصدار PyTorch مُمكّن لـ CUDA:

conda create --name ultralytics-env -c conda-forge python=3.11 ultralytics torchvision pytorch-gpu -y
conda activate ultralytics-env

ملاحظة حول بيئة ROCm (GPU من AMD، Linux)#

لتسريع GPU من AMD على Linux باستخدام ROCm، لا تتوفر حزم PyTorch ROCm بصيغة wheels عبر Conda، ويجب تثبيتها باستخدام pip. استخدم بيئة Conda للعزل، ثم ثبّت PyTorch ROCm وUltralytics عبر pip:

conda create --name ultralytics-rocm python=3.12 -y
conda activate ultralytics-rocm
pip install "torch[device-all]" "torchvision[device-all]" --index-url https://stable.repo.amd.com/rocm/whl-next/
pip install ultralytics

راجع صفحة البدء باستخدام PyTorch لمعرفة إصدارات ROCm المدعومة، ودليل GPU من AMD لإعداد الاستدلال باستخدام MIGraphX، الذي يتطلب Python 3.11 أو أحدث على Linux x86_64.

استخدام Ultralytics#

بعد تثبيت Ultralytics، يمكنك تنفيذ اكتشاف الكائنات وتقسيم الكائنات ومهام الرؤية الأخرى. على سبيل المثال، لتنفيذ الاستدلال على صورة:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # ⁨تهيئة النموذج⁩
results = model("path/to/image.jpg")  # ⁨تنفيذ الاستدلال⁩
results[0].show()  # ⁨عرض نتائج الصورة الأولى⁩

صورة Ultralytics Conda لـ Docker#

يستخدم ملف Dockerfile الخاص بـ Conda إصدارات conda-forge من PyTorch 2.13 وtorchvision 0.28 وCUDA 13.0. وقد تتأخر إصدارات conda-forge عن إصدارات PyTorch عبر pip المستخدمة في صورة GPU القياسية. تم تعطيل النشر التلقائي لـ latest-conda، لذا أنشئ الصورة الحالية محليًا:

git clone https://github.com/ultralytics/ultralytics
cd ultralytics
t=ultralytics-conda:local
sudo docker build -f docker/Dockerfile-conda -t $t .

شغّل الصورة:

# Run the Ultralytics image in a container with GPU support
sudo docker run -it --ipc=host --device nvidia.com/gpu=all $t                         # all GPUs
sudo docker run -it --ipc=host --device nvidia.com/gpu=2 --device nvidia.com/gpu=3 $t # specify GPUs

على Linux، تتطلب طلبات أجهزة CDI إصدار Docker >= 28.2.0 وNVIDIA Container Toolkit >= 1.18. قد يؤدي الخيار القديم --gpus all إلى فقدان الوصول إلى GPU بعد إعادة تحميل البرنامج الخفي للمضيف، لذا حدّث مضيفات Linux الأقدم واستخدم --device بدلًا منه. راجع دليل البدء السريع لـ Docker لمزيد من التفاصيل.

تسريع التثبيت باستخدام Libmamba#

libmamba هو محلّل سريع ومتعدد المنصات ويراعي التبعيات، ويحل محل المحلّل التقليدي في Conda. تستخدم إصدارات Conda 23.10 وما بعدها libmamba بالفعل بوصفه المحلّل الافتراضي، لذا تكون معظم عمليات التثبيت أسرع مباشرةً.

إذا كنت تستخدم إصدارًا أقدم من Conda، فيمكنك تفعيل libmamba يدويًا:

  1. أولًا، ثبّت الحزمة conda-libmamba-solver:

    conda install conda-libmamba-solver
  2. بعد ذلك، هيّئ Conda لاستخدام libmamba بوصفه المحلّل:

    conda config --set solver libmamba

لقد أعددت بيئة Conda بنجاح، وثبّت حزمة Ultralytics، وأصبحت الآن جاهزًا لاستكشاف ميزاتها. للاطلاع على مزيد من البرامج التعليمية والأمثلة المتقدمة، راجع وثائق Ultralytics.

الأسئلة الشائعة#

  • أنشئ البيئة باستخدام Python وUltralytics من قناة conda-forge بأمر واحد، كي يحلّ conda اعتمادهما معاً، ثم فعّلها:

    conda create --name ultralytics-env -c conda-forge python=3.11 ultralytics torchvision -y
    conda activate ultralytics-env
  • Conda نظام لإدارة الحزم والبيئات يقدم مزايا عديدة مقارنةً بـ pip. فهو يدير التبعيات بكفاءة ويضمن توافق جميع المكتبات المطلوبة. كما تمنع بيئات Conda المعزولة التعارض بين الحزم، وهو أمر بالغ الأهمية في مشاريع علوم البيانات وتعلّم الآلة. إضافة إلى ذلك، يدعم Conda توزيع الحزم الثنائية، ما يسرّع عملية التثبيت.

  • نعم. أنشئ البيئة باستخدام ultralytics وحزمة conda-forge الفوقية pytorch-gpu في الأمر نفسه، بحيث يُحلّ إصدار PyTorch المُمكّن بـ CUDA إلى جانبها:

    conda create --name ultralytics-env -c conda-forge python=3.11 ultralytics torchvision pytorch-gpu -y
    conda activate ultralytics-env

    يتيح هذا الإعداد تسريع GPU، وهو أمر بالغ الأهمية للمهام المكثفة مثل تدريب نماذج التعلّم العميق والاستدلال بها. لمزيد من المعلومات، راجع دليل تثبيت Ultralytics.

  • يوفر ملف Dockerfile الخاص بـ Conda بيئة conda-forge معزولة تتضمن PyTorch الداعم لـ CUDA. اتبع تعليمات البناء المحلي، ثم شغّله باستخدام خيارات GPU الموضحة هناك. وترد صورة GPU القياسية المنشورة والبدائل الأخرى في دليل Docker.

  • تستخدم إصدارات Conda 23.10 وما بعدها المحلّل السريع libmamba افتراضيًا. أما في إصدارات Conda الأقدم، فيمكنك تفعيله يدويًا بتثبيت الحزمة conda-libmamba-solver أولًا:

    conda install conda-libmamba-solver

    ثم هيّئ Conda لاستخدام libmamba بوصفه المحلّل:

    conda config --set solver libmamba

    يوفر هذا الإعداد إدارةً أسرع وأكثر كفاءة للحزم.

التعليقات6

اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.

  1. najwazkiyahhGitHub

    Hi! I'm the new to using YOLO. I have python 3.12 on my laptop because my previous exam need it-the latest version of python. I want to install ultralytics YOLOv11, should I downgrade my python version from 3.12 into 3.11? Or I should downgrade my python version to the recommended requirement, 3.8? Thank you, hope you (anybody) can answer my confusion.

    1. Glenn JocherUltralytics

      @najwazkiyahh you don't need to downgrade your system Python! 😊 Simply create a Conda environment with Python 3.11 using conda create --name yolo_env python=3.11, then activate it and install Ultralytics. This keeps your existing Python 3.12 intact while giving you a compatible YOLO11 environment. For full steps, see the Conda Quickstart Guide for Ultralytics.

      We recommend this approach as it maintains version isolation while allowing you to work with both Python versions seamlessly. Welcome to the YOLO community! 🚀

  2. MalvinlamGitHub

    Hi is there a way to install the yolov8 dependencies using Anaconda prompt to the virtual environment other than pip install ultralytics? For example I already downloaded the ultralytics package from GitHub and opened it as project folder using PyCharm. Is there a way to only install the required libraries?

    1. Glenn JocherUltralytics(تم التعديل)

      @Malvinlam hi there! 👋

      Absolutely, you can install the required dependencies for Ultralytics using Conda without relying on pip install ultralytics. Here's a step-by-step guide to help you set up your Conda environment and install the necessary libraries:

      1. Create a New Conda Environment: First, create a new Conda environment with Python 3.11 (or your preferred version):

        conda create --name ultralytics-env python=3.11 -y
      2. Activate the Environment: Activate your newly created environment:

        conda activate ultralytics-env
      3. Install Required Libraries: The repository no longer has a requirements.txt; its dependencies are declared in pyproject.toml. From the root of your cloned repository, run:

        pip install -e .

        Alternatively, if you want to install specific packages manually, you can use:

        conda install -c conda-forge numpy pandas matplotlib opencv scikit-learn
        conda install -c pytorch pytorch torchvision torchaudio
      4. Note on CUDA Environment: If you're working in a CUDA-enabled environment, it's a good practice to install pytorch and pytorch-cuda together to resolve any conflicts:

        conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision torchaudio pytorch-cuda=11.8
      5. Using Ultralytics: With the dependencies installed, you can now start using Ultralytics. For example, to perform inference with YOLO26:

        from ultralytics import YOLO
        
        model = YOLO("yolo26n.pt")  # initialize model
        results = model("path/to/image.jpg")  # perform inference
        results[0].show()  # display results for the first image

      For more detailed instructions, you can refer to our Conda Quickstart Guide.

      If you encounter any issues or have further questions, feel free to ask. Happy coding! 😊

  3. nadinatorGitHub

    Does the python version have to be 3.8? Can it be a newer version? What would/wouldn't break if we used 3.11, for example (I'm thinking of the [ray]tuning feature)?

    1. Glenn JocherUltralytics

      Hey there! 😊

      You can definitely use Python versions newer than 3.8, including 3.11. However, it's important to note that while most features should work fine, there might be some compatibility issues with newer Python versions, especially with external libraries or specific features like [ray] tuning.

      If you're keen on using Python 3.11, I'd recommend testing the key functionalities you plan to use in your project to ensure everything runs smoothly. For the [ray] tuning feature, you might want to check Ray's documentation or GitHub issues for any known compatibility concerns with Python 3.11.

      Here's a quick example of how you might set up your environment with Python 3.11:

      conda create --name ultralytics-env python=3.11 -y
      conda activate ultralytics-env
      conda install -c conda-forge ultralytics

      And remember, if you encounter any issues, the Ultralytics community is here to help! 🚀