So installierst du Ultralytics YOLO mit Conda#

Dieser Leitfaden zeigt dir, wie du eine Conda-Umgebung für deine Ultralytics-Projekte einrichtest. Conda ist ein Open-Source-System zur Paket- und Umgebungsverwaltung und bietet eine hervorragende Alternative zu pip für die Installation von Paketen und Abhängigkeiten. Die isolierten Umgebungen eignen sich besonders gut für Data-Science- und Machine-Learning-Projekte. Weitere Informationen findest du im Ultralytics-Conda-Paket auf Anaconda sowie im Feedstock-Repository von Ultralytics auf GitHub, wo du Aktualisierungen des Pakets findest.

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

Voraussetzungen#

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

Einrichten einer Conda-Umgebung#

Erstelle zunächst 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

Ultralytics installieren#

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

conda install -c conda-forge ultralytics

conda install -c conda-forge ultralytics pytorch-gpu

Ultralytics verwenden#

Nach der Installation von Ultralytics kannst du nun die leistungsfähigen 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#

Das Conda Dockerfile verwendet conda-forge PyTorch 2.13, torchvision 0.28 und CUDA 13.0. Conda-forge-Releases können den von dem Standard-GPU-Image verwendeten PyTorch-pip-Releases hinterherhinken. Die automatisierte Veröffentlichung von latest-conda ist deaktiviert, baue das aktuelle Image daher lokal:

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

Führe 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 GPUs

Unter Linux erfordern CDI-Geräteanforderungen Docker >= 28.2.0 und NVIDIA Container Toolkit >= 1.18. Das ältere Flag --gpus all kann nach dem erneuten Laden von Host-Daemons den GPU-Zugriff verlieren. Aktualisiere daher ältere Linux-Hosts und verwende stattdessen --device. Weitere Informationen findest du im Docker-Schnellstartleitfaden.

Installation mit Libmamba beschleunigen#

libmamba ist ein schneller, plattformübergreifender und abhängigkeitenbewusster Solver, der Condas klassischen Solver ersetzt. Conda 23.10 und höher verwendet bereits libmamba als Standardsolver, sodass die meisten Installationen sofort schneller ablaufen.

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

1. Installiere zunächst 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 nun erfolgreich eine Conda-Umgebung eingerichtet und das Ultralytics-Paket installiert und kannst jetzt dessen Funktionen erkunden. Weitere fortgeschrittene Tutorials und Beispiele findest du in der Ultralytics-Dokumentation.

FAQ#