دليل البدء السريع لـ Conda الخاص بـ Ultralytics
يقدم هذا الدليل مقدمة شاملة لإعداد بيئة Conda لمشاريعك باستخدام Ultralytics. Conda هو نظام مفتوح المصدر لإدارة الحزم والبيئات، ويوفر بديلاً ممتازاً لـ pip لتثبيت الحزم والتبعيات. تجعل بيئاته المعزولة منه مناسباً بشكل خاص لمساعي علم البيانات وتعلم الآلة. لمزيد من التفاصيل، قم بزيارة حزمة Ultralytics Conda على Anaconda وتحقق من مستودع تغذية Ultralytics للحصول على تحديثات الحزمة على GitHub.
ما ستتعلمه
- إعداد بيئة Conda
- تثبيت Ultralytics عبر Conda
- تهيئة Ultralytics في بيئتك
- استخدام صور Docker الخاصة بـ Ultralytics مع Conda
المتطلبات الأساسية
- يجب أن يكون لديك Anaconda أو Miniconda مثبتاً على نظامك. إذا لم يكن كذلك، قم بتنزيله وتثبيته من Anaconda أو Miniconda.
إعداد بيئة Conda
أولاً، لنقم بإنشاء بيئة Conda جديدة. افتح الطرفية (terminal) وقم بتنفيذ 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 ultralyticsملاحظة حول بيئة CUDA
إذا كنت تعمل في بيئة تدعم CUDA، فمن الجيد تثبيت ultralytics و pytorch و pytorch-cuda معاً لحل أي تعارضات:
conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=11.8 ultralyticsاستخدام Ultralytics
بعد تثبيت Ultralytics، يمكنك الآن البدء في استخدام ميزاته القوية لـ اكتشاف الكائنات، وتجزئة المثيلات، 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.
اسحب 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 $tقم بتشغيل الصورة:
# Run the Ultralytics image in a container with GPU support
sudo docker run -it --ipc=host --runtime=nvidia --gpus all $t # all GPUs
sudo docker run -it --ipc=host --runtime=nvidia --gpus '"device=2,3"' $t # specify GPUsتسريع التثبيت باستخدام Libmamba
إذا كنت تتطلع إلى تسريع عملية تثبيت الحزم في Conda، يمكنك اختيار استخدام libmamba، وهو مدير حزم سريع ومتوافق مع الأنظمة الأساسية ويدرك التبعيات، ويعمل كحل بديل لـ Conda الافتراضي.
كيفية تمكين Libmamba
لتمكين libmamba كمُحلل (solver) لـ Conda، يمكنك تنفيذ الخطوات التالية:
-
أولاً، قم بتثبيت حزمة
conda-libmamba-solver. يمكن تخطي هذا إذا كان إصدار Conda الخاص بك هو 4.11 أو أعلى، حيث أنlibmambaمضمن افتراضياً.conda install conda-libmamba-solver -
بعد ذلك، قم بتكوين Conda لاستخدام
libmambaكمُحلل:conda config --set solver libmamba
وهذا كل شيء! سيستخدم تثبيت Conda الخاص بك الآن libmamba كمُحلل، مما سيؤدي إلى تسريع عملية تثبيت الحزم.
لقد نجحت في إعداد بيئة Conda، وتثبيت حزمة Ultralytics، وأصبحت الآن جاهزاً لاستكشاف ميزاتها. لمزيد من البرامج التعليمية والأمثلة المتقدمة، راجع توثيق Ultralytics.
الأسئلة الشائعة
ما هي عملية إعداد بيئة Conda لمشاريع Ultralytics؟
إعداد بيئة Conda لمشاريع Ultralytics مباشر ويضمن إدارة سلسة للحزم. أولاً، أنشئ 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 ultralyticsلماذا يجب أن أستخدم Conda بدلاً من pip لإدارة التبعيات في مشاريع Ultralytics؟
Conda هو نظام قوي لإدارة الحزم والبيئات ويوفر العديد من المزايا مقارنة بـ pip. فهو يدير التبعيات بكفاءة ويضمن توافق جميع المكتبات اللازمة. تمنع البيئات المعزولة في Conda التعارضات بين الحزم، وهو أمر بالغ الأهمية في مشاريع علم البيانات وتعلم الآلة. بالإضافة إلى ذلك، يدعم Conda توزيع الحزم الثنائية، مما يسرع عملية التثبيت.
هل يمكنني استخدام Ultralytics YOLO في بيئة تدعم CUDA للحصول على أداء أسرع؟
نعم، يمكنك تحسين الأداء باستخدام بيئة تدعم CUDA. تأكد من تثبيت ultralytics و pytorch و pytorch-cuda معاً لتجنب التعارضات:
conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=11.8 ultralyticsيسمح هذا الإعداد بتسريع GPU، وهو أمر حيوي للمهام المكثفة مثل تدريب نماذج تعلم عميق والاستدلال. لمزيد من المعلومات، قم بزيارة دليل تثبيت Ultralytics.
ما هي فوائد استخدام صور Docker الخاصة بـ Ultralytics مع بيئة Conda؟
يضمن استخدام صور Docker الخاصة بـ Ultralytics بيئة متسقة وقابلة للتكرار، مما يقضي على مشكلات "إنه يعمل على جهازي". تتضمن هذه الصور بيئة Conda مهيأة مسبقاً، مما يبسط عملية الإعداد. يمكنك سحب وتشغيل أحدث صورة Docker لـ Ultralytics باستخدام الأوامر التالية:
sudo docker pull ultralytics/ultralytics:latest-conda
sudo docker run -it --ipc=host --runtime=nvidia --gpus all ultralytics/ultralytics:latest-conda # all GPUs
sudo docker run -it --ipc=host --runtime=nvidia --gpus '"device=2,3"' ultralytics/ultralytics:latest-conda # specify GPUsهذا النهج مثالي لنشر التطبيقات في مرحلة الإنتاج أو تشغيل سير عمل معقد دون تكوين يدوي. تعرف على المزيد حول صورة Conda Docker لـ Ultralytics.
كيف يمكنني تسريع تثبيت حزم Conda في بيئة Ultralytics الخاصة بي؟
يمكنك تسريع عملية تثبيت الحزم باستخدام libmamba، وهو مُحلل تبعيات سريع لـ Conda. أولاً، قم بتثبيت حزمة conda-libmamba-solver:
conda install conda-libmamba-solverثم قم بتكوين Conda لاستخدام libmamba كمُحلل:
conda config --set solver libmambaيوفر هذا الإعداد إدارة أسرع وأكثر كفاءة للحزم. لمزيد من النصائح حول تحسين بيئتك، اقرأ عن تثبيت libmamba.