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:

conda create --name ultralytics-env python=3.8 -y

Aktiviere die neue Umgebung:

conda activate ultralytics-env

Installieren von Ultralytics

Du kannst das Paket Ultralytics 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 ratsam, die ultralytics, pytorch, und pytorch-cuda gemeinsam, um Konflikte zu lösen:

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

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 libmambaist 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:

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

   conda install conda-libmamba-solver
   

2. Als Nächstes konfigurierst du Conda so, dass es libmamba als Löser:

   conda config --set solver libmamba
   

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.

Kommentare