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. Mit seinen isolierten Umgebungen eignet es sich besonders gut für Data Science und maschinelles Lernen. Weitere Informationen findest du im Ultralytics Conda-Paket auf Anaconda und im Ultralytics feedstock-Repository für Paketaktualisierungen auf GitHub.
Was du lernen wirst
- Einrichten einer Conda-Umgebung
- Installation von Ultralytics über 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. Wenn nicht, lade es von Anaconda oder Miniconda herunter und installiere es.
Einrichten einer Conda-Umgebung
Zuerst erstellen wir eine neue Conda-Umgebung. Öffne dein Terminal und führe den folgenden Befehl aus:
Aktiviere die neue Umgebung:
Installieren von Ultralytics
Du kannst das Paket Ultralytics aus dem conda-forge-Kanal installieren. Führe den folgenden Befehl aus:
Hinweis zur CUDA Umgebung
Wenn du in einer CUDA-fähigen Umgebung arbeitest, ist es ratsam, die ultralytics
, pytorch
, und pytorch-cuda
gemeinsam, um Konflikte zu lösen:
Mit Ultralytics
Wenn du Ultralytics installiert hast, kannst du seine robusten Funktionen für die Objekterkennung, Instanzsegmentierung und mehr nutzen. Um zum Beispiel ein Bild vorherzusagen, kannst du Folgendes ausführen:
from ultralytics import YOLO
model = YOLO('yolov8n.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 an, die eine Conda-Umgebung enthalten. Du kannst diese Images von DockerHub beziehen.
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 Bild aus:
# Run the Ultralytics image in a container with GPU support
sudo docker run -it --ipc=host --gpus all $t # all GPUs
sudo docker run -it --ipc=host --gpus '"device=2,3"' $t # specify GPUs
Sicherlich kannst du den folgenden Abschnitt in deine Conda-Anleitung aufnehmen, um die Benutzer über die Beschleunigung der Installation mit libmamba
:
Beschleunigung der Installation mit Libmamba
Wenn du auf der Suche nach die Paketinstallation zu beschleunigen Prozesses in Conda kannst du dich für die Verwendung von libmamba
ist ein schneller, plattformübergreifender und abhängigkeitssensibler Paketmanager, der als Alternative zum Standard-Solver von Conda dient.
So aktivierst du Libmamba
Um zu ermöglichen libmamba
als Solver für Conda zu verwenden, kannst du die folgenden Schritte durchführen:
-
Installiere zunächst die
conda-libmamba-solver
Paket. Dies kann übersprungen werden, wenn deine Conda-Version 4.11 oder höher ist, dalibmamba
ist standardmäßig enthalten. -
Als Nächstes konfigurierst du Conda so, dass es
libmamba
als Löser:
Und das war's! Deine Conda-Installation verwendet nun libmamba
als Solver, was zu einer schnelleren Paketinstallation führen sollte.
Herzlichen Glückwunsch! Du hast erfolgreich eine Conda-Umgebung eingerichtet, das Paket Ultralytics installiert und bist nun bereit, seine vielfältigen Funktionen zu erkunden. In der Dokumentation vonUltralytics findest du weitere Tutorials und Beispiele für Fortgeschrittene.