Link to this sectionSo installierst du Ultralytics YOLO mit Conda#

Dieser Leitfaden führt dich durch die Einrichtung einer Conda-Umgebung für deine Ultralytics-Projekte. Conda ist ein Open-Source-System zur Verwaltung von Paketen und Umgebungen, das eine hervorragende Alternative zu pip für die Installation von Paketen und Abhängigkeiten bietet. Die isolierten Umgebungen machen es besonders gut geeignet für Data-Science- und Machine-Learning-Arbeiten. Weitere Details findest du beim Ultralytics Conda-Paket auf Anaconda und im Ultralytics-Feedstock-Repository für Paket-Updates auf GitHub.

Dieser Leitfaden behandelt das Erstellen einer Umgebung, die Installation von Ultralytics, das Ausführen von Inferenz, die Verwendung des Conda Docker-Images und die Beschleunigung der Installation mit libmamba.

Link to this sectionVoraussetzungen#

Du solltest Anaconda oder Miniconda auf deinem System installiert haben. Falls nicht, lade es herunter und installiere es von Anaconda oder Miniconda.

Link to this sectionEinrichten einer Conda-Umgebung#

Erstelle zuerst eine neue Conda-Umgebung. Öffne dein Terminal und führe den folgenden Befehl aus:

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

Aktiviere die neue Umgebung:

conda activate ultralytics-env

Link to this sectionInstallation von Ultralytics#

Du kannst das Ultralytics-Paket aus dem conda-forge-Kanal installieren. Führe den folgenden Befehl aus:

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 sectionVerwendung von Ultralytics#

Mit dem installierten Ultralytics kannst du nun die robusten Funktionen für Objekterkennung, Instanz-Segmentierung und mehr nutzen. Um beispielsweise ein Bild vorherzusagen, kannst du Folgendes ausführen:

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 sectionUltralytics Conda Docker-Image#

Wenn du lieber Docker verwendest, bietet Ultralytics Docker-Images mit einer enthaltenen Conda-Umgebung an. Du kannst diese Images von DockerHub beziehen.

Ziehe das neueste Ultralytics-Image:

# Set image name as a variable
t=ultralytics/ultralytics:latest-conda

# Pull the latest Ultralytics image from Docker Hub
sudo docker pull $t

Führe das Image aus:

# 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 sectionBeschleunigung der Installation mit Libmamba#

libmamba ist ein schneller, plattformübergreifender, abhängigkeitsbewusster Solver, der Condas klassischen Solver ersetzt. Conda 23.10 und neuer verwenden libmamba bereits als Standard-Solver, daher sind die meisten Installationen von Haus aus schneller.

Wenn du eine ältere Conda-Version verwendest, kannst du libmamba manuell aktivieren:

1. Installiere zuerst das Paket conda-libmamba-solver:

   conda install conda-libmamba-solver

2. Konfiguriere als Nächstes Conda so, dass libmamba als Solver verwendet wird:

   conda config --set solver libmamba

Du hast erfolgreich eine Conda-Umgebung eingerichtet, das Ultralytics-Paket installiert und bist nun bereit, die Funktionen zu erkunden. Weitere fortgeschrittene Tutorials und Beispiele findest du in der Ultralytics-Dokumentation.

Link to this sectionFAQ#

Link to this sectionWie ist der Prozess für die Einrichtung einer Conda-Umgebung für Ultralytics-Projekte?#

Das Einrichten einer Conda-Umgebung für Ultralytics-Projekte ist unkompliziert und stellt ein reibungsloses Paketmanagement sicher. Erstelle zuerst eine neue Conda-Umgebung mit dem folgenden Befehl:

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

Aktiviere dann die neue Umgebung mit:

conda activate ultralytics-env

Installiere abschließend Ultralytics aus dem conda-forge-Kanal:

conda install -c conda-forge ultralytics

Link to this sectionWarum sollte ich Conda anstelle von pip für die Verwaltung von Abhängigkeiten in Ultralytics-Projekten verwenden?#

Conda ist ein robustes Paket- und Umgebungsmanagementsystem, das mehrere Vorteile gegenüber pip bietet. Es verwaltet Abhängigkeiten effizient und stellt sicher, dass alle notwendigen Bibliotheken kompatibel sind. Condas isolierte Umgebungen verhindern Konflikte zwischen Paketen, was in Data-Science- und Machine-Learning-Projekten entscheidend ist. Zusätzlich unterstützt Conda die Verteilung binärer Pakete, was den Installationsprozess beschleunigt.

Link to this sectionKann ich Ultralytics YOLO in einer CUDA-fähigen Umgebung für schnellere Leistung verwenden?#

Ja, du kannst die Leistung verbessern, indem du eine CUDA-fähige Umgebung nutzt. Stelle sicher, dass du ultralytics, pytorch und pytorch-cuda zusammen installierst, um Konflikte zu vermeiden:

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

Dieses Setup ermöglicht GPU-Beschleunigung, was entscheidend für intensive Aufgaben wie Deep Learning-Modelltraining und -Inferenz ist. Weitere Informationen findest du im Ultralytics-Installationsleitfaden.

Link to this sectionWas sind die Vorteile der Verwendung von Ultralytics Docker-Images mit einer Conda-Umgebung?#

Die Verwendung von Ultralytics Docker-Images gewährleistet eine konsistente und reproduzierbare Umgebung und beseitigt Probleme wie "es funktioniert auf meinem Rechner". Diese Images enthalten eine vorkonfigurierte Conda-Umgebung, was den Einrichtungsprozess vereinfacht. Du kannst das neueste Ultralytics Docker-Image mit den folgenden Befehlen beziehen und ausführen:

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

Dieser Ansatz ist ideal für die Bereitstellung von Anwendungen in der Produktion oder das Ausführen komplexer Workflows ohne manuelle Konfiguration. Erfahre mehr über das Ultralytics Conda Docker-Image.

Link to this sectionWie kann ich die Installation von Conda-Paketen in meiner Ultralytics-Umgebung beschleunigen?#

Conda 23.10 und neuer verwenden standardmäßig bereits den schnellen libmamba-Solver. Bei älteren Conda-Versionen kannst du ihn manuell aktivieren, indem du zuerst das Paket conda-libmamba-solver installierst:

conda install conda-libmamba-solver

Konfiguriere dann Conda so, dass libmamba als Solver verwendet wird:

conda config --set solver libmamba

Dieses Setup bietet eine schnellere und effizientere Paketverwaltung. Für weitere Tipps zur Optimierung deiner Umgebung lies mehr über die libmamba-Installation.