كيفية تثبيت Ultralytics YOLO باستخدام Conda#

يوضح هذا الدليل خطوات إعداد بيئة Conda لمشروعات Ultralytics. تُعد Conda نظامًا مفتوح المصدر لإدارة الحزم والبيئات، وتوفر بديلًا ممتازًا لـ pip لتثبيت الحزم والتبعيات. وتناسب بيئاتها المعزولة على نحو خاص أعمال علوم البيانات والتعلّم الآلي. لمزيد من التفاصيل، تفضل بزيارة حزمة Ultralytics على Anaconda، واطّلع على مستودع feedstock الخاص بـ Ultralytics للحصول على تحديثات الحزمة على GitHub.

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

المتطلبات الأساسية#

ينبغي أن يكون Anaconda أو Miniconda مثبتًا على نظامك. وإذا لم يكن مثبتًا، فقم بتنزيله وتثبيته من Anaconda أو Miniconda.

إعداد بيئة Conda#

أولًا، أنشئ بيئة Conda جديدة. افتح الطرفية وشغّل الأمر التالي:

conda create --name ultralytics-env python=3.11 -y

فعّل البيئة الجديدة:

conda activate ultralytics-env

تثبيت Ultralytics#

يمكنك تثبيت حزمة Ultralytics من قناة conda-forge. نفّذ الأمر التالي:

conda install -c conda-forge ultralytics

conda install -c conda-forge ultralytics pytorch-gpu

استخدام Ultralytics#

بعد تثبيت Ultralytics، يمكنك الآن البدء في استخدام ميزاته المتقدمة الخاصة بـاكتشاف الكائنات وتجزئة المثيلات وغير ذلك. 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 image

صورة Ultralytics لـ Docker على Conda#

يستخدِم ملف Docker لـ Conda إصدار conda-forge من PyTorch 2.13، وtorchvision 0.28، وCUDA 13.0. قد تتأخر إصدارات conda-forge مقارنة بإصدارات PyTorch عبر pip المستخدمة في صورة وحدة معالجة الرسوميات القياسية. تم تعطيل النشر التلقائي لـ latest-conda، لذا قم ببناء الصورة الحالية محلياً:

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 وإصدار NVIDIA Container Toolkit >= 1.18. وقد تفقد الراية القديمة --gpus all الوصول إلى GPU بعد إعادة تحميل خوادم المضيف، لذا حدّث مضيفي Linux الأقدم واستخدم --device بدلًا منها. راجع دليل البدء السريع لـ Docker لمزيد من التفاصيل.

تسريع التثبيت باستخدام Libmamba#

يُعد libmamba محلّلًا سريعًا ومتعدد المنصات ومدركًا للتبعيات، ويستبدل المحلّل الكلاسيكي في Conda. تستخدم Conda 23.10 والإصدارات الأحدث 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 حزمة conda-libmamba-solver:

   conda install conda-libmamba-solver

2. بعد ذلك، اضبط Conda لاستخدام libmamba بوصفه المحلّل:

   conda config --set solver libmamba

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

الأسئلة الشائعة#