Link to this sectionكيفية 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.

Link to this sectionالمتطلبات الأساسية#

يجب أن يكون Anaconda أو Miniconda مثبتاً على نظامك. إذا لم يكن كذلك، قم بتنزيله وتثبيته من Anaconda أو Miniconda.

Link to this sectionإعداد بيئة Conda#

أولاً، قم بإنشاء بيئة Conda جديدة. افتح الطرفية (terminal) وقم بتشغيل الأمر التالي:

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

قم بتنشيط البيئة الجديدة:

conda activate ultralytics-env

Link to this sectionتثبيت Ultralytics#

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

conda install -c conda-forge ultralytics

conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=12.1 ultralytics

Link to this sectionاستخدام 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 image

Link to this sectionصورة 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 $t

تشغيل 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 GPUs

Link to this sectionتسريع 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:

1. أولاً، قم بتثبيت حزمة conda-libmamba-solver:

   conda install conda-libmamba-solver

2. بعد ذلك، قم بتهيئة Conda لاستخدام libmamba كأداة 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.

Link to this sectionالأسئلة الشائعة#

Link to this sectionما هي عملية إعداد بيئة Conda لمشاريع Ultralytics؟#

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 -y

ثم قم بتنشيط البيئة الجديدة باستخدام:

conda activate ultralytics-env

أخيراً، قم بتثبيت Ultralytics من قناة conda-forge:

conda install -c conda-forge ultralytics

Link to this sectionلماذا يجب أن أستخدم Conda بدلاً من pip لإدارة التبعيات في مشاريع Ultralytics؟#

Conda 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.

Link to this sectionهل يمكنني استخدام Ultralytics YOLO في بيئة تدعم CUDA للحصول على أداء أسرع؟#

نعم، يمكنك تحسين الأداء باستخدام بيئة تدعم CUDA. تأكد من تثبيت ultralytics وpytorch وpytorch-cuda معاً لتجنب التعارضات:

conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=12.1 ultralytics

يتيح هذا الإعداد تسريع GPU، وهو أمر حيوي للمهام المكثفة مثل تدريب نماذج التعلم العميق والاستدلال. لمزيد من المعلومات، تفضل بزيارة دليل تثبيت Ultralytics.

Link to this sectionما هي فوائد استخدام صور Ultralytics Docker مع بيئة Conda؟#

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 --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 GPUs

هذا النهج مثالي لنشر التطبيقات في بيئة الإنتاج أو تشغيل سير عمل معقد دون تكوين يدوي. تعرف على المزيد حول صورة Ultralytics Conda Docker.

Link to this sectionكيف يمكنني تسريع تثبيت حزم Conda في بيئة Ultralytics الخاصة بي؟#

تستخدم إصدارات Conda 23.10 وما بعدها بالفعل أداة الحل السريعة libmamba افتراضياً. في إصدارات Conda الأقدم، يمكنك تمكينها يدوياً عن طريق تثبيت حزمة conda-libmamba-solver أولاً:

conda install conda-libmamba-solver

ثم قم بتهيئة Conda لاستخدام libmamba كأداة حل:

conda config --set solver libmamba

يوفر هذا الإعداد إدارة حزم أسرع وأكثر كفاءة. لمزيد من النصائح حول تحسين بيئتك، اقرأ عن تثبيت libmamba.