Conda Quickstart-Anleitung für Ultralytics
Dieser Leitfaden bietet eine umfassende Einführung in die Einrichtung einer Conda-Umgebung für Ihre Ultralytics-Projekte. Conda ist ein Open-Source-Paket- und Umgebungsverwaltungssystem, das eine hervorragende Alternative zu pip für die Installation von Paketen und Abhängigkeiten bietet. Seine isolierten Umgebungen machen es besonders geeignet für Data Science- und Machine-Learning-Vorhaben. Weitere Informationen finden Sie auf der Ultralytics Conda-Paketseite auf Anaconda und im Ultralytics Feedstock-Repository für Paketaktualisierungen auf GitHub.
Was Sie lernen werden
- Einrichten einer Conda-Umgebung
- Ultralytics über Conda installieren
- Ultralytics in Ihrer Umgebung initialisieren
- Verwendung von Ultralytics Docker-Images mit Conda
Voraussetzungen
- Sie sollten Anaconda oder Miniconda auf Ihrem System installiert haben. Wenn nicht, laden Sie es von Anaconda oder Miniconda herunter und installieren Sie es.
Einrichten einer Conda-Umgebung
Lassen Sie uns zunächst eine neue Conda-Umgebung erstellen. Öffnen Sie Ihr Terminal und führen Sie den folgenden Befehl aus:
conda create --name ultralytics-env python=3.11 -y
Die neue Umgebung aktivieren:
conda activate ultralytics-env
Ultralytics installieren
Sie können das Ultralytics-Paket über den conda-forge-Kanal installieren. Führen Sie den folgenden Befehl aus:
conda install -c conda-forge ultralytics
Hinweis zur CUDA-Umgebung
Wenn Sie in einer CUDA-fähigen Umgebung arbeiten, ist es eine gute Praxis, Folgendes zu installieren: ultralytics, pytorchund pytorch-cuda zusammen, um eventuelle Konflikte zu lösen:
conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=11.8 ultralytics
Verwendung von Ultralytics
Nach der Installation von Ultralytics können Sie nun seine robusten Funktionen für Objekterkennung, Instanzsegmentierung und mehr nutzen. Um beispielsweise ein Bild vorherzusagen, können Sie Folgendes ausführen:
from ultralytics import YOLO
model = YOLO("yolo11n.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 Sie Docker bevorzugen, bietet Ultralytics Docker-Images mit einer enthaltenen Conda-Umgebung an. Sie können diese Images von DockerHub beziehen.
Laden Sie 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
Bild ausführen:
# 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
Beschleunigung der Installation mit Libmamba
Wenn Sie suchen nach Beschleunigen Sie die Paketinstallation Prozess in Conda können Sie optional verwenden libmamba, ein schneller, plattformübergreifender und Dependency-Aware Package Manager, der als alternative Lösung zum Standard-Conda dient.
Wie man Libmamba aktiviert
Zum Aktivieren libmamba als Solver für Conda können Sie die folgenden Schritte ausführen:
-
Installieren Sie zuerst
conda-libmamba-solverPaket. Dies kann übersprungen werden, wenn Ihre Conda-Version 4.11 oder höher ist, dalibmambaist standardmäßig enthalten.conda install conda-libmamba-solver -
Als Nächstes konfigurieren Sie Conda für die Verwendung
libmambaals Solver:conda config --set solver libmamba
Und das ist alles! Ihre Conda-Installation wird nun libmamba als Solver, was zu einer schnelleren Paketinstallation führen sollte.
Herzlichen Glückwunsch! Sie haben erfolgreich eine Conda-Umgebung eingerichtet, das Ultralytics-Paket installiert und sind nun bereit, seine vielfältigen Funktionen zu erkunden. Tauchen Sie ein in die Ultralytics-Dokumentation für weitere fortgeschrittene Tutorials und Beispiele.
FAQ
Wie richtet man eine Conda-Umgebung für Ultralytics-Projekte ein?
Das Einrichten einer Conda-Umgebung für Ultralytics-Projekte ist unkompliziert und gewährleistet eine reibungslose Paketverwaltung. Erstellen Sie zunächst eine neue Conda-Umgebung mit dem folgenden Befehl:
conda create --name ultralytics-env python=3.11 -y
Aktivieren Sie dann die neue Umgebung mit:
conda activate ultralytics-env
Installieren Sie abschließend Ultralytics über den conda-forge-Kanal:
conda install -c conda-forge ultralytics
Warum sollte ich Conda anstelle von pip für die 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 notwendigen Bibliotheken kompatibel sind. Die isolierten Umgebungen von Conda verhindern Konflikte zwischen Paketen, was in Data-Science- und Machine-Learning-Projekten von entscheidender Bedeutung ist. Darüber hinaus unterstützt Conda die binäre Paketverteilung, was den Installationsprozess beschleunigt.
Kann ich Ultralytics YOLO in einer CUDA-fähigen Umgebung verwenden, um eine schnellere Leistung zu erzielen?
Ja, Sie können die Leistung verbessern, indem Sie eine CUDA-fähige Umgebung nutzen. Stellen Sie sicher, dass Sie ultralytics, pytorchund pytorch-cuda zusammen, um Konflikte zu vermeiden:
conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=11.8 ultralytics
Dieses Setup ermöglicht eine GPU-Beschleunigung, die für intensive Aufgaben wie das Training und die Inferenz von Deep-Learning-Modellen entscheidend ist. Weitere Informationen finden Sie im Ultralytics-Installationshandbuch.
Welche Vorteile bietet die Verwendung von Ultralytics Docker-Images mit einer Conda-Umgebung?
Die Verwendung von Ultralytics Docker-Images gewährleistet eine konsistente und reproduzierbare Umgebung und eliminiert Probleme wie "es funktioniert auf meinem Rechner". Diese Images enthalten eine vorkonfigurierte Conda-Umgebung, was den Einrichtungsprozess vereinfacht. Sie können das neueste Ultralytics Docker-Image mit den folgenden Befehlen abrufen 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 Ausführung komplexer Workflows ohne manuelle Konfiguration. Erfahren Sie mehr über das Ultralytics Conda Docker Image.
Wie kann ich die Conda-Paketinstallation in meiner Ultralytics-Umgebung beschleunigen?
Sie können die Paketinstallation beschleunigen, indem Sie Folgendes verwenden: libmamba, ein schneller Dependency Solver für Conda. Installieren Sie zuerst den conda-libmamba-solver Paket:
conda install conda-libmamba-solver
Konfigurieren Sie dann Conda für die Verwendung von libmamba als Solver:
conda config --set solver libmamba
Dieses Setup bietet eine schnellere und effizientere Paketverwaltung. Weitere Tipps zur Optimierung Ihrer Umgebung finden Sie unter libmamba-Installation.
