كيفية تثبيت Ultralytics YOLO باستخدام Conda#

يتناول هذا الدليل إعداد بيئة Conda لمشاريع Ultralytics. Conda نظام مفتوح المصدر لإدارة الحزم والبيئات، ويُعد بديلًا ممتازًا لـ pip لتثبيت الحزم والتبعيات. وتجعل بيئاته المعزولة منه خيارًا مناسبًا على نحو خاص لأعمال التعلّم الآلي وعلوم البيانات. لمزيد من التفاصيل، تفضّل بزيارة حزمة Ultralytics Conda على Anaconda، واطّلع على مستودع تغذية Ultralytics للحصول على تحديثات الحزم على GitHub.

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

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 الآن البدء باستخدام ميزاته القوية في اكتشاف الأجسام وتقسيم الكائنات وغير ذلك. على سبيل المثال، لتشغيل التنبؤ على صورة، يمكنك تنفيذ ما يلي:

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#