Conda-Schnellstartanleitung für Ultralytics

Dieser Leitfaden bietet eine umfassende Einführung in die Einrichtung einer Conda-Umgebung für deine Ultralytics-Projekte. Conda ist ein Open-Source-Paket- und Umgebungsverwaltungssystem, das eine hervorragende Alternative zu pip für die Installation von Paketen und Abhängigkeiten darstellt. Die isolierten Umgebungen machen es besonders gut geeignet für Aufgaben im Bereich Data Science und Machine Learning. Weitere Einzelheiten findest du im Ultralytics-Conda-Paket auf Anaconda und im Ultralytics-Feedstock-Repository für Paket-Updates auf GitHub.

Was du lernen wirst

• Einrichten einer Conda-Umgebung
• Installation von Ultralytics via Conda
• Initialisierung von Ultralytics in deiner Umgebung
• Verwendung von Ultralytics-Docker-Images mit Conda

Voraussetzungen

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

Einrichten einer Conda-Umgebung

Lass uns zuerst eine neue Conda-Umgebung erstellen. 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

Installation von Ultralytics

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

conda install -c conda-forge ultralytics

Hinweis zur CUDA-Umgebung

Wenn du in einer CUDA-fähigen Umgebung arbeitest, ist es bewährte Praxis, ultralytics, pytorch und pytorch-cuda zusammen zu installieren, um mögliche Konflikte zu lösen:

conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=11.8 ultralytics

Verwendung von Ultralytics

Mit installiertem Ultralytics kannst du nun die robusten Funktionen für Objekterkennung, Instanzsegmentierung 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

Ultralytics-Conda-Docker-Image

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

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

Installation mit Libmamba beschleunigen

Wenn du den Prozess der Paketinstallation beschleunigen möchtest, kannst du dich für libmamba entscheiden, einen schnellen, plattformübergreifenden und abhängigkeitsbewussten Paketmanager, der als alternativer Solver für den Standard-Conda-Solver fungiert.

Wie man Libmamba aktiviert

Um libmamba als Solver für Conda zu aktivieren, kannst du die folgenden Schritte durchführen:

1. Installiere zuerst das conda-libmamba-solver-Paket. Dies kann übersprungen werden, wenn deine Conda-Version 4.11 oder höher ist, da libmamba standardmäßig enthalten ist.

   conda install conda-libmamba-solver

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

   conda config --set solver libmamba

Und das war es schon! Deine Conda-Installation verwendet nun libmamba als Solver, was zu einem schnelleren Paketinstallationsprozess führen sollte.

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.

FAQ

Wie sieht der Prozess zum Einrichten einer Conda-Umgebung für Ultralytics-Projekte aus?

Das Einrichten einer Conda-Umgebung für Ultralytics-Projekte ist unkompliziert und sorgt für eine reibungslose Paketverwaltung. Erstelle zuerst eine neue Conda-Umgebung mit folgendem Befehl:

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

Aktiviere dann die neue Umgebung mit:

conda activate ultralytics-env

Installiere schließlich Ultralytics aus dem conda-forge-Kanal:

conda install -c conda-forge ultralytics

Warum sollte ich Conda anstelle von pip zur Verwaltung von Abhängigkeiten in Ultralytics-Projekten verwenden?

Conda ist ein robustes Paket- und Umgebungsverwaltungssystem, das gegenüber pip mehrere Vorteile bietet. Es verwaltet Abhängigkeiten effizient und stellt sicher, dass alle erforderlichen Bibliotheken kompatibel sind. Die isolierten Umgebungen von Conda verhindern Konflikte zwischen Paketen, was in Data-Science- und Machine-Learning-Projekten entscheidend ist. Darüber hinaus unterstützt Conda die Verteilung binärer Pakete, was den Installationsprozess beschleunigt.

Kann ich Ultralytics YOLO in einer CUDA-fähigen Umgebung für eine schnellere Leistung verwenden?

Ja, du kannst die Leistung durch die Nutzung einer CUDA-fähigen Umgebung verbessern. Stelle sicher, dass du ultralytics, pytorch und pytorch-cuda gemeinsam installierst, um Konflikte zu vermeiden:

conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=11.8 ultralytics

Dieses Setup ermöglicht GPU-Beschleunigung, was für intensive Aufgaben wie das Training und die Inferenz von Deep Learning-Modellen unerlässlich ist. Weitere Informationen findest du im Ultralytics-Installationsleitfaden.

Was sind die Vorteile der Verwendung von Ultralytics-Docker-Images mit einer Conda-Umgebung?

Die Verwendung von Ultralytics-Docker-Images stellt eine konsistente und reproduzierbare Umgebung sicher und eliminiert Probleme wie „auf meinem Rechner funktioniert es“. Diese Images enthalten eine vorkonfigurierte Conda-Umgebung, was den Einrichtungsprozess vereinfacht. Du kannst das neueste Ultralytics-Docker-Image mit den folgenden Befehlen ziehen 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 die Durchführung komplexer Workflows ohne manuelle Konfiguration. Erfahre mehr über das Ultralytics-Conda-Docker-Image.

Wie kann ich die Conda-Paketinstallation in meiner Ultralytics-Umgebung beschleunigen?

Du kannst den Paketinstallationsprozess beschleunigen, indem du libmamba verwendest, einen schnellen Abhängigkeits-Solver für Conda. Installiere zuerst das conda-libmamba-solver-Paket:

conda install conda-libmamba-solver

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

conda config --set solver libmamba

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