Installiere Ultralytics

Ultralytics bietet eine Vielzahl von Installationsmethoden, darunter pip, conda und Docker. Du kannst YOLO über das ultralytics pip-Paket für das neueste stabile Release installieren oder das Ultralytics GitHub repository klonen, um die aktuellste Version zu erhalten. Docker ist ebenfalls eine Option, um das Paket in einem isolierten Container auszuführen, was eine lokale Installation überflüssig macht.

# 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 die erforderlichen Abhängigkeiten installieren.

Tipp

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

Headless-Server-Installation

Für Serverumgebungen ohne Anzeige (z. B. Cloud-VMs, Docker-Container, CI/CD-Pipelines) verwende das Paket ultralytics-opencv-headless. Dies ist identisch mit dem Standard-ultralytics-Paket, basiert aber auf opencv-python-headless anstelle von opencv-python, 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.

Erweiterte Installation

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

Verwendung von Ultralytics mit der CLI

Das Ultralytics-Kommandozeileninterface (CLI) ermöglicht einfache Einzeilenbefehle, ohne dass eine Python-Umgebung erforderlich ist. Die CLI erfordert keine Anpassung oder Python-Code; führe alle Aufgaben vom Terminal aus mit dem Befehl yolo aus. Mehr zur Verwendung von YOLO über die Befehlszeile findest du im CLI Guide.

yolo TASK MODE ARGS

CLI-Guide

Verwendung von Ultralytics mit Python

Das Ultralytics YOLO Python-Interface bietet eine nahtlose Integration in Python-Projekte und macht es einfach, Modelle zu laden, auszuführen und deren Ergebnisse zu verarbeiten. Das Python-Interface ist auf Einfachheit ausgelegt und ermöglicht es Benutzern, schnell Objekterkennung, Instanzsegmentierung, semantische Segmentierung und Klassifizierung zu implementieren. Dies macht das YOLO Python-Interface zu einem wertvollen Werkzeug, um diese Funktionalitäten in Python-Projekte einzubinden.

Benutzer können zum Beispiel ein Modell laden, es trainieren, seine Leistung bewerten und es mit nur wenigen Zeilen Code in das ONNX-Format exportieren. Erkunde den Python-Guide, um mehr über die Verwendung von YOLO innerhalb deiner Python-Projekte 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

Ultralytics-Einstellungen

Die Ultralytics-Bibliothek enthält einen SettingsManager zur fein abgestimmten Kontrolle über Experimente, 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 das Command-Line Interface (CLI) eingesehen oder geändert werden.

Einstellungen prüfen

Um die aktuelle Konfiguration deiner Einstellungen anzuzeigen:

from ultralytics import settings

# View all settings
print(settings)

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

Einstellungen ändern

Ultralytics macht es dir leicht, Einstellungen auf folgende Arten 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()

Einstellungen verstehen

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

Gehe diese Einstellungen erneut durch, während du an Projekten oder Experimenten arbeitest, um eine optimale Konfiguration sicherzustellen.

FAQ

Wie installiere ich Ultralytics mit pip?

Installiere Ultralytics mit pip wie folgt:

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-Befehlszeilentool auf deinem System installiert ist.

Kann ich Ultralytics YOLO mit conda installieren?

Ja, installiere Ultralytics YOLO mit conda wie folgt:

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 vermeiden:

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

Weitere Anweisungen findest du im Conda quickstart guide.

Was 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 Probleme bei lokalen Installationen 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 Anweisungen zu Docker findest du im Docker quickstart guide.

Wie 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. Weitere Details findest du im Ultralytics GitHub repository.

Warum sollte ich das Ultralytics YOLO CLI verwenden?

Das Ultralytics YOLO CLI vereinfacht die Durchführung von Objekterkennungsaufgaben ohne Python-Code und ermöglicht Ein-Zeilen-Befehle für Training, Validierung und Vorhersage direkt aus deinem Terminal. 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.