التثبيت Ultralytics

قم بتثبيت أو تحديث ultralytics باستخدام الحزمة باستخدام النقطة عن طريق تشغيل pip install -U ultralytics. لمزيد من التفاصيل حول ultralytics حزمة، قم بزيارة فهرس حزمة Python (PyPI).

# Install the ultralytics package from PyPI
pip install ultralytics

يمكنك أيضًا تثبيت ultralytics مباشرة من Ultralytics مستودع GitHub. يمكن أن يكون هذا مفيدًا إذا كنت تريد أحدث إصدار للتطوير. تأكد من تثبيت أداة سطر الأوامر Git، ثم قم بتشغيلها:

# Install the ultralytics package from GitHub
pip install git+https://github.com/ultralytics/ultralytics.git@main

يمكن استخدام Conda كمدير حزم بديل لـ pip. لمزيد من التفاصيل، قم بزيارة أناكوندا. يتوفر مستودع Ultralytics لتحديث حزمة كوندا على GitHub.

# Install the ultralytics package using conda
conda install -c conda-forge ultralytics

# Install all packages together using conda
conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=11.8 ultralytics

صورة كوندا دوكر كوندا

Ultralytics تتوفر صور Conda Docker Docker أيضًا من DockerHub. تستند هذه الصور على مينيكوندا 3 وتوفير طريقة مباشرة للبدء في استخدام 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 GitHub إذا كنت مهتمًا بالمساهمة في التطوير أو ترغب في تجربة أحدث شيفرة مصدرية. بعد الاستنساخ، انتقل إلى الدليل وقم بتثبيت الحزمة في الوضع القابل للتحرير -e باستخدام النقطة.

# Clone the ultralytics repository
git clone https://github.com/ultralytics/ultralytics

# Navigate to the cloned directory
cd ultralytics

# Install the package in editable mode for development
pip install -e .

استخدم Docker لتنفيذ ultralytics في حاوية معزولة، مما يضمن أداءً متسقًا عبر بيئات مختلفة. من خلال اختيار إحدى ultralytics صور من Docker Hubفإنك تتجنب تعقيدات التثبيت المحلي وتتمكن من الوصول إلى بيئة عمل تم التحقق منها. تقدم Ultralytics خمس صور Docker رئيسية مدعومة من Docker، كل منها مصمم لتحقيق التوافق والكفاءة العالية:

• Dockerfile: GPU صورة موصى بها للتدريب.
• Dockerfile-arm64: مُحسَّن لمعمارية ARM64، ومناسب للنشر على أجهزة مثل Raspberry Pi وغيرها من المنصات القائمة على ARM64.
• cpu: إصدار Dockerfile-cpu: إصدار CPU المستندة إلى Ubuntu، وهو مناسب للاستدلال والبيئات التي لا تحتوي على وحدات معالجة رسومات.
• Dockerfile-jetson: مصممة خصيصًا لأجهزة NVIDIA Jetson، مع دمج دعم GPU المحسّنة لهذه المنصات.
• Dockerfile-python: صورة بسيطة مع Python والتبعيات الضرورية فقط، مثالية للتطبيقات خفيفة الوزن والتطوير.
• Dockerfile-conda: استنادًا إلى Miniconda3 مع تثبيت كوندا لـ ultralytics الحزمة.

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

يعمل الأمر أعلاه على تهيئة حاوية Docker بأحدث ultralytics الصورة. الصورة -it تعيّن العلامات علامة TTY زائفة وتبقي stdin مفتوحًا، مما يسمح بالتفاعل مع الحاوية. إن --ipc=host تقوم العلامة بتعيين مساحة اسم IPC (الاتصال بين العمليات) للمضيف، وهو أمر ضروري لمشاركة الذاكرة بين العمليات. إن --gpus all يتيح العلم إمكانية الوصول إلى جميع وحدات معالجة الرسومات المتاحة داخل الحاوية، وهو أمر بالغ الأهمية للمهام التي تتطلب حوسبة GPU .

ملحوظة: للعمل مع الملفات الموجودة على جهازك المحلي داخل الحاوية، استخدم وحدات تخزين Docker لتحميل 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

استبدل /path/on/host بمسار الدليل على جهازك المحلي، و /path/in/container بالمسار المطلوب داخل حاوية Docker.

لاستخدام Docker المتقدم، استكشف دليلUltralytics Docker Guide.

يمكنك تثبيت ultralytics حزمة الحزمة الأساسية بدون أي تبعيات باستخدام خاصية --no-deps العلم. هذا يتطلب منك تثبيت جميع التبعيات الضرورية يدويًا بعد ذلك.

1. التثبيت ultralytics اللب:

   pip install ultralytics --no-deps
   

2. تثبيت التبعيات يدوياً: أنت بحاجة إلى تثبيت جميع الحزم المطلوبة المدرجة في pyproject.toml واستبدال الإصدارات أو تعديلها حسب الحاجة. بالنسبة لمثال OpenCV بدون رأس:

   # Install other core dependencies
   pip install torch torchvision numpy matplotlib pandas pyyaml pillow psutil requests tqdm scipy seaborn ultralytics-thop
   
   # Install headless OpenCV instead of the default
   pip install opencv-python-headless
   

إذا كنت بحاجة إلى تعديلات مخصصة مستمرة (مثل استخدام opencv-python-headless)، يمكنك إنشاء شوكة لمستودع Ultralytics وإجراء تغييرات على pyproject.toml أو رمز آخر، وتثبيته من الشوكة الخاصة بك.

1. انقل مستودعUltralytics GitHub إلى حساب GitHub الخاص بك.
2. استنساخ شوكتك محلياً

   git clone https://github.com/YOUR_USERNAME/ultralytics.git
   cd ultralytics
   

3. إنشاء فرع جديد لتغييراتك

   git checkout -b custom-opencv
   

4. تعديل pyproject.toml: افتح pyproject.toml في محرر نصي واستبدل السطر الذي يحتوي على "opencv-python>=4.6.0" مع "opencv-python-headless>=4.6.0" (اضبط الإصدار حسب الحاجة).
5. الالتزام والدفع تغييراتك

   git add pyproject.toml
   git commit -m "Switch to opencv-python-headless"
   git push origin custom-opencv
   

6. التثبيت باستخدام النقطة مع git+https بناء الجملة، مشيراً إلى فرعك:

   pip install git+https://github.com/YOUR_USERNAME/ultralytics.git@custom-opencv
   

تضمن هذه الطريقة استخدام مجموعة التبعية المخصصة الخاصة بك كلما قمت بالتثبيت من عنوان URL المحدد هذا. راجع الطريقة 4 لاستخدام هذا في requirements.txt الملف.

على غرار طريقة "استنساخ Git Clone" القياسية للتطوير، يمكنك استنساخ المستودع محليًا، وتعديل ملفات التبعية قبل التثبيت، ثم التثبيت في الوضع القابل للتحرير.

1. استنساخ مستودع Ultralytics :

   git clone https://github.com/ultralytics/ultralytics
   cd ultralytics
   

2. تعديل pyproject.toml: قم بتحرير الملف لإجراء التغييرات التي تريدها. على سبيل المثال، استخدم sed (على لينكس/ماكوس) أو محرر نصوص لاستبدال opencv-python مع opencv-python-headless. استخدام sed (تحقق من السطر الدقيق في pyproject.toml أولاً):

   # Example: Replace the line starting with "opencv-python..."
   # Adapt the pattern carefully based on the current file content
   sed -i'' -e 's/^\s*"opencv-python>=.*",/"opencv-python-headless>=4.8.0",/' pyproject.toml
   

   أو تحرير يدويًا pyproject.toml للتغيير "opencv-python>=... إلى "opencv-python-headless>=...".
3. التثبيت الحزمة في الوضع القابل للتحرير (-e). سيستخدم بيب الآن pyproject.toml لحل التبعيات وتثبيتها:

   pip install -e .
   

هذا النهج مفيد لاختبار التغييرات المحلية على التبعيات أو تكوينات الإنشاء قبل الالتزام بها أو لإعداد بيئات تطوير محددة.

إذا كنت تدير تبعيات مشروعك باستخدام requirements.txt يمكنك تحديد شوكة Ultralytics المخصصة الخاصة بك مباشرةً داخله. وهذا يضمن أن يحصل أي شخص يقوم بإعداد المشروع على الإصدار الخاص بك مع تبعياته المعدلة (مثل opencv-python-headless).

1. إنشاء أو تحرير requirements.txt: أضف سطرًا يشير إلى الشوكة المخصصة والفرع المخصص (كما تم إعداده في الطريقة 2).
   المتطلبات.txt

   # Core dependencies
   numpy
   matplotlib
   pandas
   pyyaml
   Pillow
   psutil
   requests>=2.23.0
   tqdm
   torch>=1.8.0 # Or specific version/variant
   torchvision>=0.9.0 # Or specific version/variant
   
   # Install ultralytics from a specific git commit or branch
   # Replace YOUR_USERNAME and custom-branch with your details
   git+https://github.com/YOUR_USERNAME/ultralytics.git@custom-branch
   
   # Other project dependencies
   flask
   # ... etc
   

   ملاحظة: لا تحتاج إلى سرد التبعيات المطلوبة بالفعل من قبل المخصص الخاص بك ultralytics شوكة (مثل opencv-python-headless) هنا، حيث ستقوم pip بتثبيتها بناءً على شوكة pyproject.toml.
2. التثبيت التبعيات من الملف:

   pip install -r requirements.txt
   

تتكامل هذه الطريقة بسلاسة مع تدفقات عمل إدارة تبعية مشروع Python القياسية مع السماح لك بتثبيت ultralytics إلى مصدر Git المخصص الخاص بك.

Ultralytics yolo تستخدم الأوامر الصيغة التالية:

yolo TASK MODE ARGS

شاهد الكل ARGS في كامل دليل التكوين أو مع yolo cfg CLI الأمر.

تدريب نموذج اكتشاف ل 10 حلقات بمعدل تعلم أولي 0.01:

yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01

توقّع مقطع فيديو YouTube باستخدام نموذج تجزئة مُدرّب مسبقًا بحجم صورة 320:

yolo predict model=yolo11n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320

تحقق من صحة نموذج اكتشاف تم تدريبه مسبقًا بحجم دفعة 1 وحجم صورة 640:

yolo val model=yolo11n.pt data=coco8.yaml batch=1 imgsz=640

قم بتصدير نموذج تصنيف YOLOv11n إلى تنسيق ONNX بحجم صورة 224x128 (لا يتطلب الأمر TASK):

yolo export model=yolo11n-cls.pt format=onnx imgsz=224,128

عد الكائنات في فيديو أو بث مباشر باستخدام YOLO11:

yolo solutions count show=True

yolo solutions count source="path/to/video.mp4" # specify video file path

راقب تمارين مراقبة التمارين الرياضية باستخدام نموذج وضعيات YOLO11 :

yolo solutions workout show=True

yolo solutions workout source="path/to/video.mp4" # specify video file path

# Use keypoints for ab-workouts
yolo solutions workout kpts="[5, 11, 13]" # left side
yolo solutions workout kpts="[6, 12, 14]" # right side

استخدم YOLO11 لعد الكائنات في قائمة انتظار أو منطقة معينة:

yolo solutions queue show=True

yolo solutions queue source="path/to/video.mp4" # specify video file path

yolo solutions queue region="[(20, 400), (1080, 400), (1080, 360), (20, 360)]" # configure queue coordinates

قم بإجراء اكتشاف الكائن أو تجزئة المثيل أو تقدير الوضع في متصفح الويب باستخدام Streamlit:

yolo solutions inference

yolo solutions inference model="path/to/model.pt" # use model fine-tuned with Ultralytics Python package

قم بتشغيل أوامر خاصة لمعرفة الإصدار، وعرض الإعدادات، وتشغيل الفحوصات، والمزيد:

yolo help
yolo checks
yolo version
yolo settings
yolo copy-cfg
yolo cfg
yolo solutions help

استخدم Python لعرض الإعدادات الخاصة بك عن طريق استيراد settings من الكائن من ultralytics الوحدة النمطية. طباعة وإرجاع الإعدادات باستخدام هذه الأوامر:

from ultralytics import settings

# View all settings
print(settings)

# Return a specific setting
value = settings["runs_dir"]

تتيح لك واجهة سطر الأوامر التحقق من إعداداتك باستخدام:

yolo settings

في Python استخدم update على طريقة settings الكائن:

from ultralytics import settings

# Update a setting
settings.update({"runs_dir": "/path/to/runs"})

# Update multiple settings
settings.update({"runs_dir": "/path/to/runs", "tensorboard": False})

# Reset settings to default values
settings.reset()

لتعديل الإعدادات باستخدام واجهة سطر الأوامر:

# Update a setting
yolo settings runs_dir='/path/to/runs'

# Update multiple settings
yolo settings runs_dir='/path/to/runs' tensorboard=False

# Reset settings to default values
yolo settings reset