كيفية تثبيت Ultralytics YOLO باستخدام Conda#
يستعرض هذا الدليل خطوات إعداد بيئة Conda لمشاريعك باستخدام Ultralytics. يُعد Conda نظاماً مفتوح المصدر لإدارة الحزم والبيئات، ويوفر بديلاً ممتازاً لـ pip لتثبيت الحزم والتبعيات. وتجعل بيئاته المعزولة منه مناسباً بشكل خاص للعمل في مجال علوم البيانات وتعلم الآلة. لمزيد من التفاصيل، قم بزيارة حزمة Ultralytics Conda على Anaconda واطلع على مستودع Ultralytics feedstock للحصول على تحديثات الحزمة على GitHub.
يغطي هذا الدليل كيفية إنشاء بيئة، وتثبيت Ultralytics، وتشغيل الاستدلال، واستخدام صورة Conda Docker، وتسريع عمليات التثبيت باستخدام libmamba.
المتطلبات الأساسية#
يجب أن يكون Anaconda أو Miniconda مثبتاً على نظامك. إذا لم يكن كذلك، قم بتنزيله وتثبيته من Anaconda أو Miniconda.
إعداد بيئة Conda#
أولاً، قم بإنشاء بيئة Conda جديدة. افتح الطرفية (terminal) وقم بتشغيل الأمر التالي:
conda create --name ultralytics-env python=3.11 -yقم بتنشيط البيئة الجديدة:
conda activate ultralytics-envتثبيت Ultralytics#
يمكنك تثبيت حزمة Ultralytics من قناة conda-forge. قم بتنفيذ الأمر التالي:
conda install -c conda-forge ultralyticsإذا كنت تعمل في بيئة تدعم CUDA، فمن الممارسات الجيدة تثبيت ultralytics وpytorch وpytorch-cuda معاً حتى يتمكن مدير حزم Conda من حل أي تعارضات:
conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=12.1 ultralyticsاستخدام Ultralytics#
بعد تثبيت Ultralytics، يمكنك الآن البدء في استخدام ميزاته القوية لـ كشف الكائنات، وتجزئة الحالات، والمزيد. على سبيل المثال، للتنبؤ بصورة، يمكنك تشغيل:
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 imageصورة Ultralytics Conda Docker#
إذا كنت تفضل استخدام Docker، توفر Ultralytics صور Docker مع بيئة Conda مضمنة. يمكنك سحب هذه الصور من DockerHub.
سحب أحدث صورة لـ Ultralytics:
# Set image name as a variable
t=ultralytics/ultralytics:latest-conda
# Pull the latest Ultralytics image from Docker Hub
sudo docker pull $tتشغيل 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 GPUsعلى نظام Linux، تتطلب طلبات جهاز CDI استخدام Docker >= 28.2.0 و NVIDIA Container Toolkit >= 1.18. قد تفقد الراية القديمة --gpus all الوصول إلى GPU بعد إعادة تحميل البرنامج الخفي (daemon) الخاص بالمضيف، لذا قم بترقية مضيفي Linux الأقدم واستخدم --device بدلاً من ذلك. راجع دليل التشغيل السريع لـ Docker للحصول على التفاصيل.
تسريع التثبيت باستخدام Libmamba#
تعد libmamba أداة حل سريعة ومتوافقة مع الأنظمة الأساسية وتدرك التبعيات، وهي تحل محل أداة الحل الكلاسيكية في Conda. تستخدم إصدارات Conda 23.10 وما بعدها بالفعل libmamba كأداة حل افتراضية، لذا فإن معظم عمليات التثبيت تكون أسرع تلقائياً.
إذا كنت تستخدم إصدار Conda أقدم، يمكنك تمكين libmamba يدوياً:
-
أولاً، قم بتثبيت حزمة
conda-libmamba-solver:conda install conda-libmamba-solver -
بعد ذلك، قم بتهيئة Conda لاستخدام
libmambaكأداة حل:conda config --set solver libmamba
لقد قمت بإعداد بيئة Conda بنجاح، وتثبيت حزمة Ultralytics، وأصبحت الآن جاهزاً لاستكشاف ميزاتها. لمزيد من البرامج التعليمية والأمثلة المتقدمة، راجع توثيق Ultralytics.
الأسئلة الشائعة#
إعداد بيئة Conda لمشاريع Ultralytics عملية مباشرة وتضمن إدارة سلسة للحزم. أولاً، قم بإنشاء بيئة Conda جديدة باستخدام الأمر التالي:
conda create --name ultralytics-env python=3.11 -yثم قم بتنشيط البيئة الجديدة باستخدام:
conda activate ultralytics-envأخيراً، قم بتثبيت Ultralytics من قناة conda-forge:
conda install -c conda-forge ultralyticsConda هو نظام قوي لإدارة الحزم والبيئات يقدم العديد من المزايا مقارنة بـ pip. فهو يدير التبعيات بكفاءة ويضمن توافق جميع المكتبات الضرورية. تمنع البيئات المعزولة لـ Conda حدوث تعارضات بين الحزم، وهو أمر حيوي في مشاريع علوم البيانات وتعلم الآلة. بالإضافة إلى ذلك، يدعم Conda توزيع الحزم الثنائية، مما يسرع عملية التثبيت.
نعم، يمكنك تحسين الأداء باستخدام بيئة تدعم CUDA. تأكد من تثبيت
ultralyticsوpytorchوpytorch-cudaمعاً لتجنب التعارضات:conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=12.1 ultralyticsيتيح هذا الإعداد تسريع GPU، وهو أمر حيوي للمهام المكثفة مثل تدريب نماذج التعلم العميق والاستدلال. لمزيد من المعلومات، تفضل بزيارة دليل تثبيت Ultralytics.
يضمن استخدام صور Ultralytics Docker بيئة متسقة وقابلة للتكرار، مما يلغي مشكلات "تعمل على جهازي". تتضمن هذه الصور بيئة Conda مهيأة مسبقاً، مما يبسط عملية الإعداد. يمكنك سحب وتشغيل أحدث صورة لـ Ultralytics Docker باستخدام الأوامر التالية:
sudo docker pull ultralytics/ultralytics:latest-conda sudo docker run -it --ipc=host --device nvidia.com/gpu=all ultralytics/ultralytics:latest-conda # all GPUs sudo docker run -it --ipc=host --device nvidia.com/gpu=2 --device nvidia.com/gpu=3 ultralytics/ultralytics:latest-conda # specify GPUsهذا النهج مثالي لنشر التطبيقات في بيئة الإنتاج أو تشغيل سير عمل معقد دون تكوين يدوي. تعرف على المزيد حول صورة Ultralytics Conda Docker.
تستخدم إصدارات Conda 23.10 وما بعدها بالفعل أداة الحل السريعة
libmambaافتراضياً. في إصدارات Conda الأقدم، يمكنك تمكينها يدوياً عن طريق تثبيت حزمةconda-libmamba-solverأولاً:conda install conda-libmamba-solverثم قم بتهيئة Conda لاستخدام
libmambaكأداة حل:conda config --set solver libmambaيوفر هذا الإعداد إدارة حزم أسرع وأكثر كفاءة. لمزيد من النصائح حول تحسين بيئتك، اقرأ عن تثبيت libmamba.