انتقل إلى المحتوى

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/.

إصدار PyPI الاسبوعيه

# Install the ultralytics package from PyPI
pip install 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.

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

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/.

وصفة كوندا كوندا التنزيلات نسخة كوندا منصات كوندا

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

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.

# 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

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.

# 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 ملف ultralytics حزمة في حاوية معزولة ، وضمان أداء ثابت وسلس عبر بيئات مختلفة. عن طريق اختيار واحد من المسؤولين ultralytics صور من عامل ميناء Hub، 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:

عامل ميناء يسحب

  • 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 المتطلبات.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.

PyTorch تعليمات التثبيت

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:

yolo TASK MODE ARGS

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

yolo train data=coco128.yaml model=yolov8n.pt epochs=10 lr0=0.01

توقع مقطع فيديو على YouTube باستخدام نموذج تجزئة تم اختباره مسبقا بحجم الصورة 320:

yolo predict model=yolov8n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320

Val نموذج كشف تم اختباره مسبقا بحجم الدفعة 1 وحجم الصورة 640:

yolo val model=yolov8n.pt data=coco128.yaml batch=1 imgsz=640

تصدير أ YOLOv8n نموذج التصنيف إلى ONNX بحجم الصورة 224 × 128 (لا توجد مهمة مطلوبة)

yolo export model=yolov8n-cls.pt format=onnx imgsz=224,128

قم بتشغيل أوامر خاصة لمعرفة الإصدار وعرض الإعدادات وتشغيل عمليات التحقق والمزيد:

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

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 --)

CLI دليل

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 'coco128.yaml' dataset for 3 epochs
results = model.train(data='coco128.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')

Python دليل

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:

from ultralytics import settings

# View all settings
print(settings)

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

بدلا من ذلك ، تتيح لك واجهة سطر الأوامر التحقق من إعداداتك بأمر بسيط:

yolo settings

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:

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()

إذا كنت تفضل استخدام واجهة سطر الأوامر ، فستسمح لك الأوامر التالية بتعديل إعداداتك:

# 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

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 مع HUB
api_key '' str Ultralytics HUB مفتاح واجهة برمجة التطبيقات
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 HUB تكامل
mlflow True bool ما إذا كنت تريد استخدام MLFlow لتتبع التجربة
neptune True bool ما إذا كنت تريد استخدام نبتون 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 2024-02-03
المؤلفون: جلين جوشر (7) ، chr043416@gmail.com (2) ، يضحك س (1) ، أيوشكسل (1)

التعليقات