Link to this sectionInstalliere Ultralytics#

Ultralytics bietet eine Vielzahl von Installationsmethoden an, darunter pip, conda und Docker. Du kannst YOLO über das ultralytics pip-Paket für das neueste stabile Release installieren oder durch Klonen des Ultralytics GitHub-Repositorys für die aktuellste Version. Docker ist ebenfalls eine Option, um das Paket in einem isolierten Container auszuführen, was eine lokale Installation vermeidet.

# Install or upgrade the ultralytics package from PyPI
pip install -U ultralytics

# Install the ultralytics package from GitHub
pip install git+https://github.com/ultralytics/ultralytics.git@main

Siehe die ultralytics pyproject.toml Datei für eine Liste der Abhängigkeiten. Beachte, dass alle obigen Beispiele alle erforderlichen Abhängigkeiten installieren.

Tipp

PyTorch-Anforderungen variieren je nach Betriebssystem und CUDA-Anforderungen. Installiere daher PyTorch zuerst, indem du den Anweisungen unter PyTorch folgst.

Link to this sectionHeadless-Server-Installation#

Für Serverumgebungen ohne Display (z. B. Cloud-VMs, Docker-Container, CI/CD-Pipelines) verwende das ultralytics-opencv-headless Paket. Dies ist identisch mit dem Standard-ultralytics-Paket, hängt aber von opencv-python-headless anstatt opencv-python ab, wodurch unnötige GUI-Abhängigkeiten und potenzielle libGL-Fehler vermieden werden.

pip install ultralytics-opencv-headless

Beide Pakete bieten dieselbe Funktionalität und API. Die Headless-Variante schließt lediglich die GUI-Komponenten von OpenCV aus, die Anzeigebibliotheken erfordern.

Link to this sectionErweiterte Installation#

Während die Standard-Installationsmethoden die meisten Anwendungsfälle abdecken, benötigst du möglicherweise ein maßgeschneidertes Setup für die Entwicklung oder benutzerdefinierte Konfigurationen.

Link to this sectionVerwendung von Ultralytics mit CLI#

Die Ultralytics-Kommandozeilenschnittstelle (CLI) ermöglicht einfache einzeilige Befehle, ohne dass eine Python-Umgebung erforderlich ist. CLI erfordert keine Anpassung oder Python-Code; führe alle Aufgaben vom Terminal aus mit dem yolo-Befehl aus. Für mehr Informationen zur Nutzung von YOLO über die Kommandozeile, siehe den CLI Guide.

yolo TASK MODE ARGS

CLI Guide

Link to this sectionVerwendung von Ultralytics mit Python#

Die Ultralytics YOLO Python-Schnittstelle bietet eine nahtlose Integration in Python-Projekte und macht es einfach, Modelle zu laden, auszuführen und Modellausgaben zu verarbeiten. Die auf Einfachheit ausgelegte Python-Schnittstelle ermöglicht es Nutzern, Objekterkennung, Instanz-Segmentierung, semantische Segmentierung und Klassifizierung schnell zu implementieren. Dies macht die YOLO Python-Schnittstelle zu einem unschätzbaren Werkzeug, um diese Funktionen in Python-Projekte einzubinden.

Beispielsweise können Benutzer ein Modell laden, es trainieren, seine Leistung bewerten und es mit nur wenigen Codezeilen in das ONNX-Format exportieren. Erkunde den Python-Leitfaden, um mehr über die Nutzung von YOLO in deinen Python-Projekten zu erfahren.

from ultralytics import YOLO

# Create a new YOLO model from scratch
model = YOLO("yolo26n.yaml")

# Load a pretrained YOLO model (recommended for training)
model = YOLO("yolo26n.pt")

# Train the model using the 'coco8.yaml' dataset for 3 epochs
results = model.train(data="coco8.yaml", epochs=3)

# Evaluate the model's performance on the validation set
results = model.val()

# Perform object detection on an image using the model
results = model("https://ultralytics.com/images/bus.jpg")

# Export the model to ONNX format
success = model.export(format="onnx")

Python Guide

Link to this sectionUltralytics-Einstellungen#

Die Ultralytics-Bibliothek enthält einen SettingsManager für die fein abgestimmte Steuerung von Experimenten, der es Benutzern ermöglicht, einfach auf Einstellungen zuzugreifen und diese zu ändern. Diese Einstellungen werden in einer JSON-Datei im Benutzerkonfigurationsverzeichnis der Umgebung gespeichert und können in der Python-Umgebung oder über die Kommandozeilenschnittstelle (CLI) eingesehen oder modifiziert werden.

Link to this sectionEinstellungen überprüfen#

Um die aktuelle Konfiguration deiner Einstellungen anzuzeigen:

from ultralytics import settings

# View all settings
print(settings)

# Return a specific setting
value = settings["runs_dir"]

Link to this sectionEinstellungen ändern#

Ultralytics macht es einfach, Einstellungen auf folgende Weise zu ändern:

from ultralytics import settings

# Update a setting
settings.update({"runs_dir": "/path/to/runs"})

# Update multiple settings
settings.update({"runs_dir": "/path/to/runs", "tensorboard": False})

# Reset settings to default values
settings.reset()

Link to this sectionEinstellungen verstehen#

Die folgende Tabelle gibt einen Überblick über die anpassbaren Einstellungen innerhalb von Ultralytics, einschließlich Beispielwerten, Datentypen und Beschreibungen.

Überprüfe diese Einstellungen erneut, während du Projekte oder Experimente durchführst, um eine optimale Konfiguration sicherzustellen.

Link to this sectionFAQ#

Link to this sectionWie installiere ich Ultralytics mit pip?#

Installiere Ultralytics mit pip über:

pip install -U ultralytics

Dies installiert die neueste stabile Version des ultralytics Pakets von PyPI. Um die Entwicklungsversion direkt von GitHub zu installieren:

pip install git+https://github.com/ultralytics/ultralytics.git

Stelle sicher, dass das Git Befehlszeilen-Tool auf deinem System installiert ist.

Link to this sectionKann ich Ultralytics YOLO mit conda installieren?#

Ja, installiere Ultralytics YOLO mit conda über:

conda install -c conda-forge ultralytics

Diese Methode ist eine großartige Alternative zu pip und stellt die Kompatibilität mit anderen Paketen sicher. Für CUDA Umgebungen installiere ultralytics, pytorch und pytorch-cuda zusammen, um Konflikte zu lösen:

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

Weitere Anweisungen findest du im Conda quickstart guide.

Link to this sectionWas sind die Vorteile der Verwendung von Docker zum Ausführen von Ultralytics YOLO?#

Docker bietet eine isolierte, konsistente Umgebung für Ultralytics YOLO, die eine reibungslose Leistung über verschiedene Systeme hinweg gewährleistet und lokale Installationskomplexitäten vermeidet. Offizielle Docker Images sind auf Docker Hub verfügbar, mit Varianten für GPU, CPU, ARM64, NVIDIA Jetson und Conda. Um das neueste Image abzurufen und auszuführen:

# Pull the latest ultralytics image from Docker Hub
sudo docker pull ultralytics/ultralytics:latest

# Run the ultralytics image in a container with GPU support
sudo docker run -it --ipc=host --runtime=nvidia --gpus all ultralytics/ultralytics:latest

Detaillierte Docker-Anweisungen findest du im Docker quickstart guide.

Link to this sectionWie klone ich das Ultralytics Repository für die Entwicklung?#

Klone das Ultralytics Repository und richte eine Entwicklungsumgebung ein mit:

# Clone the ultralytics repository
git clone https://github.com/ultralytics/ultralytics

# Navigate to the cloned directory
cd ultralytics

# Install the package in editable mode for development
pip install -e .

Dies ermöglicht Beiträge zum Projekt oder Experimente mit dem neuesten Quellcode. Für Details besuche das Ultralytics GitHub repository.

Link to this sectionWarum sollte ich die Ultralytics YOLO CLI verwenden?#

Die Ultralytics YOLO CLI vereinfacht die Durchführung von Objekterkennungsaufgaben ohne Python-Code und ermöglicht einzeilige Befehle für Training, Validierung und Vorhersage direkt von deinem Terminal aus. Die grundlegende Syntax lautet:

yolo TASK MODE ARGS

Zum Beispiel, um ein Erkennungsmodell zu trainieren:

yolo train data=coco8.yaml model=yolo26n.pt epochs=10 lr0=0.01

Entdecke weitere Befehle und Anwendungsbeispiele im vollständigen CLI Guide.