So installierst du Ultralytics YOLO mit Conda#
Diese Anleitung führt durch die Einrichtung einer Conda-Umgebung für deine Ultralytics-Projekte. Conda ist ein Open-Source-Paket- und Umgebungswesverwaltungssystem, das eine hervorragende Alternative zu pip für die Installation von Paketen und Abhängigkeiten darstellt. Seine isolierten Umgebungen machen es besonders gut geeignet für Data-Science- und machine learning-Arbeiten. Weitere Details findest du im Ultralytics Conda-Paket auf Anaconda und im Ultralytics Feedstock-Repository für Paket-Updates auf GitHub.
Diese Anleitung behandelt, wie man eine Umgebung erstellt, Ultralytics installiert, Inferenz ausführt, das Conda Docker-Image verwendet und Installationen mit libmamba beschleunigt.
Voraussetzungen#
Du solltest Anaconda oder Miniconda auf deinem System installiert haben. Falls nicht, lade es herunter und installiere es von Anaconda oder Miniconda.
Einrichten 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 -yAktiviere die neue Umgebung:
conda activate ultralytics-envInstallation von Ultralytics#
Du kannst das Ultralytics-Paket aus dem conda-forge-Kanal installieren. Führe den folgenden Befehl aus:
conda install -c conda-forge ultralyticsWenn du in einer CUDA-fähigen Umgebung arbeitest, ist es eine gute Praxis, ultralytics, pytorch und pytorch-cuda gemeinsam zu installieren, damit der Conda-Paketmanager Konflikte lösen kann:
conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=12.1 ultralyticsVerwendung von Ultralytics#
Mit installiertem Ultralytics kannst du nun seine robusten Funktionen für object detection, instance segmentation und mehr nutzen. Um beispielsweise eine Vorhersage für ein Bild zu treffen, 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 imageUltralytics Conda Docker-Image#
Wenn du Docker bevorzugst, bietet Ultralytics Docker-Images mit einer enthaltenen Conda-Umgebung an. Du kannst diese Images von DockerHub abrufen.
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 $tFühre das Image aus:
# Run the Ultralytics image in a container with GPU support
sudo docker run -it --ipc=host --device nvidia.com/gpu=all $t # all GPUs
sudo docker run -it --ipc=host --device nvidia.com/gpu=2 --device nvidia.com/gpu=3 $t # specify GPUsUnter Linux erfordern CDI-Geräteanfragen Docker >= 28.2.0 und das NVIDIA Container Toolkit >= 1.18. Das veraltete --gpus all-Flag kann nach Neustarts des Host-Daemons den GPU-Zugriff verlieren. Aktualisiere daher ältere Linux-Hosts und verwende stattdessen --device. Details findest du im Docker Quickstart Guide.
Beschleunigung der Installation mit Libmamba#
libmamba ist ein schneller, plattformübergreifender, abhängigkeitsbewusster Solver, der den klassischen Solver von Conda ersetzt. Conda 23.10 und neuer verwenden libmamba bereits als Standard-Solver, sodass die meisten Installationen von Haus aus schneller sind.
Wenn du eine ältere Conda-Version verwendest, kannst du libmamba manuell aktivieren:
-
Installiere zuerst das
conda-libmamba-solver-Paket:conda install conda-libmamba-solver -
Konfiguriere als Nächstes Conda so, dass
libmambaals Solver verwendet wird:conda config --set solver libmamba
Du hast erfolgreich eine Conda-Umgebung eingerichtet, das Ultralytics-Paket installiert und bist nun bereit, seine Funktionen zu erkunden. Weitere fortgeschrittene Tutorials und Beispiele findest du in der Ultralytics-Dokumentation.
FAQ#
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 -yAktiviere dann die neue Umgebung mit:
conda activate ultralytics-envInstalliere abschließend Ultralytics aus dem conda-forge-Kanal:
conda install -c conda-forge ultralyticsConda 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.
Ja, du kannst die Leistung verbessern, indem du eine CUDA-fähige Umgebung nutzt. Stelle sicher, dass du
ultralytics,pytorchundpytorch-cudagemeinsam installierst, um Konflikte zu vermeiden:conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=12.1 ultralyticsDieses Setup ermöglicht GPU-Beschleunigung, die für intensive Aufgaben wie das Training von deep learning-Modellen und Inferenz entscheidend ist. Weitere Informationen findest du im Ultralytics-Installationsleitfaden.
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 --device nvidia.com/gpu=all ultralytics/ultralytics:latest-conda # all GPUs sudo docker run -it --ipc=host --device nvidia.com/gpu=2 --device nvidia.com/gpu=3 ultralytics/ultralytics:latest-conda # specify GPUsDieser 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.
Conda 23.10 und neuer verwenden standardmäßig bereits den schnellen
libmamba-Solver. Bei älteren Conda-Versionen kannst du ihn manuell aktivieren, indem du zuerst dasconda-libmamba-solver-Paket installierst:conda install conda-libmamba-solverKonfiguriere dann Conda so, dass
libmambaals Solver verwendet wird:conda config --set solver libmambaDieses Setup sorgt für eine schnellere und effizientere Paketverwaltung. Weitere Tipps zur Optimierung deiner Umgebung liest du unter libmamba-Installation.