التشغيل السريع
أقام Ultralytics
Ultralytics يوفر طرق تثبيت مختلفة بما في ذلك pip و conda و Docker. أقام YOLOv8 عبر ultralytics
حزمة النقطة لأحدث إصدار مستقر أو عن طريق استنساخ Ultralytics مستودع جيثب للحصول على أحدث إصدار. يمكن استخدام Docker لتنفيذ الحزمة في حاوية معزولة ، وتجنب التثبيت المحلي.
شاهد: Ultralytics YOLO دليل البدء السريع
أقام
قم بتثبيت الزر ultralytics
الحزمة باستخدام PIP ، أو تحديث تثبيت موجود عن طريق تشغيل pip install -U ultralytics
. قم بزيارة Python فهرس الحزمة (PyPI) لمزيد من التفاصيل حول ultralytics
حزمة: https://pypi.org/project/ultralytics/.
يمكنك أيضا تثبيت ultralytics
حزمة مباشرة من جيثب مستودع. قد يكون هذا مفيدا إذا كنت تريد أحدث إصدار من التطوير. تأكد من تثبيت أداة سطر أوامر Git على نظامك. ال @main
يقوم الأمر بتثبيت main
فرع ويمكن تعديله إلى فرع آخر ، أي @my-branch
، أو تمت إزالته بالكامل إلى الوضع الافتراضي إلى main
فرع.
Conda هو مدير حزم بديل للنقطة والذي يمكن استخدامه أيضا للتثبيت. قم بزيارة أناكوندا لمزيد من التفاصيل في https://anaconda.org/conda-forge/ultralytics. Ultralytics مستودع المواد الخام لتحديث حزمة كوندا في https://github.com/conda-forge/ultralytics-المواد الأولية/.
ملاحظه
إذا كنت تقوم بالتثبيت في بيئة CUDA ، فإن أفضل الممارسات هي التثبيت ultralytics
, pytorch
و pytorch-cuda
في نفس الأمر للسماح لمدير حزم Conda بحل أي تعارضات ، أو التثبيت pytorch-cuda
آخر للسماح لها بتجاوز وحدة المعالجة المركزية الخاصة pytorch
حزمة إذا لزم الأمر.
صورة كوندا دوكر
Ultralytics تتوفر صور Conda Docker أيضا من دوكر هب. تستند هذه الصور إلى مينيكوندا3 وهي طريقة بسيطة لبدء الاستخدام ultralytics
في بيئة كوندا.
# Set image name as a variable
t=ultralytics/ultralytics:latest-conda
# Pull the latest ultralytics image from Docker Hub
sudo docker pull $t
# Run the ultralytics image in a container with GPU support
sudo docker run -it --ipc=host --gpus all $t # all GPUs
sudo docker run -it --ipc=host --gpus '"device=2,3"' $t # specify GPUs
استنساخ ultralytics
مستودع إذا كنت مهتما بالمساهمة في التطوير أو ترغب في تجربة أحدث شفرة مصدر. بعد الاستنساخ ، انتقل إلى الدليل وقم بتثبيت الحزمة في الوضع القابل للتحرير -e
باستخدام النقطة.
استخدم Docker لتنفيذ ملف ultralytics
حزمة في حاوية معزولة ، وضمان أداء ثابت وسلس عبر بيئات مختلفة. عن طريق اختيار واحد من المسؤولين ultralytics
صور من مركز عامل ميناء، فأنت لا تتجنب تعقيد التثبيت المحلي فحسب ، بل تستفيد أيضا من الوصول إلى بيئة عمل تم التحقق منها. Ultralytics يقدم 5 صور Docker رئيسية مدعومة ، كل منها مصمم لتوفير توافق وكفاءة عالية لمختلف الأنظمة الأساسية وحالات الاستخدام:
- ملف الدوكر: صورة وحدة معالجة الرسومات موصى بها للتدريب.
- Dockerfile-arm64: محسن لبنية ARM64 ، مما يسمح بالنشر على أجهزة مثل Raspberry Pi والأنظمة الأساسية الأخرى المستندة إلى ARM64.
- Dockerfile-وحدة المعالجة المركزية: إصدار وحدة المعالجة المركزية المستندة إلى Ubuntu فقط مناسب للاستدلال والبيئات بدون وحدات معالجة الرسومات.
- Dockerfile-jetson: مصمم خصيصا لأجهزة NVIDIA Jetson ، ويدمج دعم وحدة معالجة الرسومات المحسن لهذه الأنظمة الأساسية.
- ملف داكر-python الحد الأدنى من الصورة مع فقط:Python والتبعيات الضرورية ، مثالية للتطبيقات خفيفة الوزن والتطوير.
- Dockerfile-conda: استنادا إلى Miniconda3 مع تركيب كوندا ultralytics حزمة.
فيما يلي الأوامر للحصول على أحدث صورة وتنفيذها:
# Set image name as a variable
t=ultralytics/ultralytics:latest
# Pull the latest ultralytics image from Docker Hub
sudo docker pull $t
# Run the ultralytics image in a container with GPU support
sudo docker run -it --ipc=host --gpus all $t # all GPUs
sudo docker run -it --ipc=host --gpus '"device=2,3"' $t # specify GPUs
يقوم الأمر أعلاه بتهيئة حاوية Docker بأحدث إصدار ultralytics
صورة. ال -it
يقوم العلم بتعيين TTY زائف ويحافظ على stdin مفتوحا ، مما يتيح لك التفاعل مع الحاوية. ال --ipc=host
تعيين مساحة اسم IPC (الاتصال بين العمليات) للمضيف ، وهو أمر ضروري لمشاركة الذاكرة بين العمليات. ال --gpus all
تتيح العلامة الوصول إلى جميع وحدات معالجة الرسومات المتاحة داخل الحاوية ، وهو أمر بالغ الأهمية للمهام التي تتطلب حساب وحدة معالجة الرسومات.
ملاحظة: للعمل مع الملفات الموجودة على جهازك المحلي داخل الحاوية، استخدم وحدات تخزين Docker لتركيب دليل محلي في الحاوية:
# Mount local directory to a directory inside the container
sudo docker run -it --ipc=host --gpus all -v /path/on/host:/path/in/container $t
تغيير /path/on/host
مع مسار الدليل على جهازك المحلي، و /path/in/container
مع المسار المطلوب داخل حاوية Docker لإمكانية الوصول.
لاستخدام Docker المتقدم ، لا تتردد في استكشاف Ultralytics دليل عامل ميناء.
انظر ultralytics
requirements.txt ملف للحصول على قائمة التبعيات. لاحظ أن جميع الأمثلة أعلاه تثبيت جميع التبعيات المطلوبة.
بقشيش
PyTorch تختلف المتطلبات حسب نظام التشغيل ومتطلبات CUDA ، لذلك يوصى بالتثبيت PyTorch أولا اتباع التعليمات في https://pytorch.org/get-started/locally.
استخدام Ultralytics مع CLI
ال Ultralytics واجهة سطر الأوامر (CLI) يسمح بأوامر بسيطة من سطر واحد دون الحاجة إلى Python وسط. CLI لا يتطلب أي تخصيص أو Python رمز. يمكنك ببساطة تشغيل جميع المهام من الجهاز باستخدام yolo
أمر. تحقق من CLI دليل لمعرفة المزيد حول استخدام YOLOv8 من سطر الأوامر.
مثل
Ultralytics yolo
تستخدم الأوامر بناء الجملة التالي:
TASK
(اختياري) هو واحد من (الكشف عن, الجزء, جنس, تشكل)MODE
(مطلوب) هو واحد من (قطار, فال, تنبأ, تصدير, المسار)ARGS
(اختياري) هيarg=value
أزواج مثلimgsz=640
التي تتجاوز الإعدادات الافتراضية.
طالع الكل ARGS
في الكامل دليل التكوين أو مع yolo cfg
CLI أمر.
تدريب نموذج كشف ل 10 حقب مع learning_rate أولي يبلغ 0.01
توقع مقطع فيديو على YouTube باستخدام نموذج تجزئة تم اختباره مسبقا بحجم الصورة 320:
Val نموذج كشف تم اختباره مسبقا بحجم الدفعة 1 وحجم الصورة 640:
تصدير أ YOLOv8n نموذج التصنيف إلى ONNX بحجم الصورة 224 × 128 (لا توجد مهمة مطلوبة)
تحذير
يجب تمرير الحجج ك arg=val
أزواج ، مقسومة على يساوي =
قم بالتوقيع والتحديد بمسافات بين الأزواج. لا تستخدم --
بادئات الوسيطة أو الفواصل ,
بين الحجج.
yolo predict model=yolov8n.pt imgsz=640 conf=0.25
✅yolo predict model yolov8n.pt imgsz 640 conf 0.25
❌ (مفقود=
)yolo predict model=yolov8n.pt, imgsz=640, conf=0.25
❌ (لا تستخدم,
)yolo predict --model yolov8n.pt --imgsz 640 --conf 0.25
❌ (لا تستخدم--
)
استخدام Ultralytics مع Python
YOLOv8's Python واجهة تسمح للاندماج السلس في الخاص بك Python المشاريع ، مما يجعل من السهل تحميل مخرجات النموذج وتشغيلها ومعالجتها. تم تصميم الجهاز مع مراعاة البساطة وسهولة الاستخدام ، Python تتيح الواجهة للمستخدمين تنفيذ اكتشاف الكائنات وتقسيمها وتصنيفها بسرعة في مشاريعهم. هذا يجعل YOLOv8's Python واجهة أداة لا تقدر بثمن لأي شخص يتطلع إلى دمج هذه الوظائف في Python المشاريع.
على سبيل المثال ، يمكن للمستخدمين تحميل نموذج وتدريبه وتقييم أدائه على مجموعة التحقق من الصحة وحتى تصديره إلى ONNX التنسيق مع بضعة أسطر من التعليمات البرمجية. تحقق من Python دليل لمعرفة المزيد حول استخدام YOLOv8 داخل الخاص بك Python المشاريع.
مثل
from ultralytics import YOLO
# Create a new YOLO model from scratch
model = YOLO('yolov8n.yaml')
# Load a pretrained YOLO model (recommended for training)
model = YOLO('yolov8n.pt')
# Train the model using the 'coco8.yaml' dataset for 3 epochs
results = model.train(data='coco8.yaml', epochs=3)
# Evaluate the model's performance on the validation set
results = model.val()
# Perform object detection on an image using the model
results = model('https://ultralytics.com/images/bus.jpg')
# Export the model to ONNX format
success = model.export(format='onnx')
Ultralytics اعدادات
ال Ultralytics توفر المكتبة نظاما قويا لإدارة الإعدادات لتمكين التحكم الدقيق في تجاربك. من خلال الاستفادة من SettingsManager
يقع داخل ultralytics.utils
الوحدة النمطية ، يمكن للمستخدمين الوصول بسهولة إلى إعداداتهم وتغييرها. يتم تخزينها في ملف YAML ويمكن عرضها أو تعديلها إما مباشرة داخل Python أو عبر واجهة سطر الأوامر (CLI).
فحص الإعدادات
للحصول على نظرة ثاقبة حول التكوين الحالي لإعداداتك، يمكنك عرضها مباشرة:
عرض الإعدادات
يمكنك استخدام Python لعرض إعداداتك. ابدأ باستيراد settings
كائن من ultralytics
الوحده النمطيه. إعدادات الطباعة والعودة باستخدام الأوامر التالية:
تعديل الإعدادات
Ultralytics يسمح للمستخدمين بتعديل إعداداتهم بسهولة. يمكن إجراء التغييرات بالطرق التالية:
تحديث الإعدادات
ضمن Python البيئة، اتصل ب update
الطريقة على settings
الاعتراض على تغيير إعداداتك:
فهم الإعدادات
يقدم الجدول أدناه نظرة عامة على الإعدادات المتاحة للتعديل ضمن Ultralytics. يتم تحديد كل إعداد جنبا إلى جنب مع قيمة مثال ونوع البيانات ووصف موجز.
اسم | مثال على القيمة | نوع البيانات | وصف |
---|---|---|---|
settings_version |
'0.0.4' |
str |
Ultralytics إصدار الإعدادات (يختلف عنUltralytics إصدار النقطة) |
datasets_dir |
'/path/to/datasets' |
str |
الدليل حيث يتم تخزين مجموعات البيانات |
weights_dir |
'/path/to/weights' |
str |
الدليل حيث يتم تخزين أوزان النموذج |
runs_dir |
'/path/to/runs' |
str |
يتم تخزين الدليل الذي يتم تشغيل التجربة عليه |
uuid |
'a1b2c3d4' |
str |
المعرف الفريد للإعدادات الحالية |
sync |
True |
bool |
ما إذا كنت تريد مزامنة التحليلات والأعطال إلى HUB |
api_key |
'' |
str |
Ultralytics مفتاح واجهة برمجة تطبيقات HUB |
clearml |
True |
bool |
سواء لاستخدام ClearML تسجيل |
comet |
True |
bool |
سواء لاستخدام Comet التعلم الآلي لتتبع التجربة والتصور |
dvc |
True |
bool |
ما إذا كنت تريد استخدام DVC لتتبع التجربة والتحكم في الإصدار |
hub |
True |
bool |
سواء لاستخدام Ultralytics تكامل المحور |
mlflow |
True |
bool |
ما إذا كنت تريد استخدام MLFlow لتتبع التجربة |
neptune |
True |
bool |
سواء لاستخدام Neptune لتتبع التجربة |
raytune |
True |
bool |
ما إذا كنت تريد استخدام Ray Tune لضبط المعلمات الفائقة |
tensorboard |
True |
bool |
ما إذا كنت تريد استخدام TensorBoard للتصور |
wandb |
True |
bool |
سواء لاستخدام Weights & Biases تسجيل |
أثناء التنقل عبر مشاريعك أو تجاربك، تأكد من إعادة زيارة هذه الإعدادات للتأكد من تكوينها على النحو الأمثل لاحتياجاتك.
تم النشر في 2023-11-12, اخر تحديث 2024-04-18
المؤلفون: جلين جوشر (8) ، رضوان منور (2) ، ضاحك س (1) ، أيوشكسل (1)