Ultralytics YOLO mit Conda installieren#

Diese Anleitung führt dich durch die Einrichtung einer Conda-Umgebung für deine Ultralytics-Projekte. Conda ist ein quelloffenes Paket- und Umgebungsverwaltungssystem, das eine hervorragende Alternative zu pip für die Installation von Paketen und Abhängigkeiten bietet. Dank ihrer isolierten Umgebungen eignet sich Conda besonders gut für Data Science und Arbeiten im Bereich maschinelles Lernen. Weitere Informationen findest du beim Ultralytics-Conda-Paket auf Anaconda und im Ultralytics-Feedstock-Repository auf GitHub, wo du Paketaktualisierungen findest.

Diese Anleitung erklärt, wie du eine Umgebung mit Ultralytics erstellst, Inferenz ausführst, das Conda-Docker-Image verwendest und Installationen mit libmamba beschleunigst.

Voraussetzungen#

Anaconda oder Miniconda muss auf deinem System installiert sein. Falls nicht, lade das Programm von Anaconda oder Miniconda herunter und installiere es.

Ultralytics installieren#

Erstelle eine neue Conda-Umgebung mit Ultralytics aus dem conda-forge-Kanal und aktiviere sie anschließend. Installiere Python, Ultralytics und torchvision (keine Abhängigkeit des conda-forge-Pakets) im selben Befehl, damit conda aktuelle, kompatible Versionen gemeinsam auflöst:

conda create --name ultralytics-env -c conda-forge python=3.11 ultralytics torchvision -y
conda activate ultralytics-env

conda create --name ultralytics-env -c conda-forge python=3.11 ultralytics torchvision pytorch-gpu -y
conda activate ultralytics-env

Hinweis zur ROCm-Umgebung (AMD-GPU, Linux)#

Für die AMD-GPU-Beschleunigung unter Linux mit ROCm sind PyTorch-ROCm-Wheels nicht über Conda verfügbar und müssen mit pip installiert werden. Verwende eine Conda-Umgebung zur Isolierung und installiere dann PyTorch ROCm und Ultralytics mit pip:

conda create --name ultralytics-rocm python=3.12 -y
conda activate ultralytics-rocm
pip install "torch[device-all]" "torchvision[device-all]" --index-url https://stable.repo.amd.com/rocm/whl-next/
pip install ultralytics

Auf der Seite Erste Schritte mit PyTorch findest du unterstützte ROCm-Versionen. Die Anleitung zur AMD-GPU beschreibt die Einrichtung der MIGraphX-Inferenz, für die Python 3.11 oder neuer unter Linux x86_64 erforderlich ist.

Ultralytics verwenden#

Nach der Installation von Ultralytics kannst du die leistungsstarken Funktionen für Objekterkennung, Instanzsegmentierung und mehr nutzen. Um beispielsweise eine Vorhersage für ein Bild zu erstellen, führe Folgendes aus:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # Modell initialisieren
results = model("path/to/image.jpg")  # Inferenz durchführen
results[0].show()  # Ergebnisse für das erste Bild anzeigen

Ultralytics-Conda-Docker-Image#

Das Conda-Dockerfile verwendet PyTorch 2.13, torchvision 0.28 und CUDA 13.0 von conda-forge. Neue conda-forge-Versionen erscheinen möglicherweise später als die PyTorch-Pip-Versionen, die im standardmäßigen GPU-Image verwendet werden. Die automatische Veröffentlichung von latest-conda ist deaktiviert. Erstelle daher das aktuelle Image lokal:

git clone https://github.com/ultralytics/ultralytics
cd ultralytics
t=ultralytics-conda:local
sudo docker build -f docker/Dockerfile-conda -t $t .

Image ausführen:

# 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 GPUs

Unter Linux erfordern CDI-Geräteanforderungen Docker >= 28.2.0 und NVIDIA Container Toolkit >= 1.18. Das veraltete Flag --gpus all kann nach dem Neuladen des Daemons auf dem Host zum Verlust des GPU-Zugriffs führen. Aktualisiere daher ältere Linux-Hosts und verwende stattdessen --device. Weitere Informationen findest du in der Docker-Schnelleinstiegsanleitung.

Installation mit Libmamba beschleunigen#

libmamba ist ein schneller, plattformübergreifender Solver, der Abhängigkeiten berücksichtigt und Condas klassischen Solver ersetzt. Ab Conda 23.10 ist libmamba bereits der standardmäßige Solver, sodass die meisten Installationen direkt schneller sind.

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 anschließend Conda so, dass libmamba als Solver verwendet wird:

   conda config --set solver libmamba

Du hast erfolgreich eine Conda-Umgebung eingerichtet und das Ultralytics-Paket installiert. Jetzt kannst du dessen Funktionen erkunden. Weitere fortgeschrittene Tutorials und Beispiele findest du in der Ultralytics-Dokumentation.

Häufig gestellte Fragen#