Installiere Ultralytics#

Ultralytics bietet verschiedene Installationsmethoden an, darunter pip, conda und Docker. Du kannst YOLO über das ultralytics-pip-Paket für die neueste stabile Version 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, wodurch eine lokale Installation vermieden wird.

# 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 PyTorch daher zuerst, indem du den Anweisungen unter PyTorch folgst.

Headless-Server-Installation#

Für Serverumgebungen ohne Display (z. B. Cloud-VMs, Docker-Container, CI/CD-Pipelines) verwende das ultralytics-opencv-headless-Paket. Dieses ist identisch mit dem Standardpaket ultralytics, hängt jedoch von opencv-python-headless anstelle von opencv-python ab, wodurch unnötige GUI-Abhängigkeiten und mögliche 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 CLI#

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

yolo TASK MODE ARGS

CLI Guide

Verwendung von Ultralytics mit Python#

Die Ultralytics YOLO Python-Schnittstelle bietet eine nahtlose Integration in Python-Projekte, wodurch das Laden, Ausführen und Verarbeiten von Modellausgaben erleichtert wird. Die auf Einfachheit ausgelegte Python-Schnittstelle ermöglicht es Anwendern, object detection, instance segmentation, semantic segmentation, depth estimation und classification schnell zu implementieren. Dies macht die YOLO Python-Schnittstelle zu einem unschätzbaren Werkzeug, um diese Funktionalitäten in Python-Projekte einzubinden.

Beispielsweise können Anwender mit nur wenigen Zeilen Code ein Modell laden, trainieren, seine Leistung bewerten und es in das ONNX-Format exportieren. Erkunde den Python Guide, um mehr über die Verwendung 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

Ultralytics-Einstellungen#

Die Ultralytics-Bibliothek enthält eine SettingsManager für die feingranulare Steuerung von Experimenten, die es Anwendern ermöglicht, einfach auf Einstellungen zuzugreifen und diese zu modifizieren. Diese Einstellungen sind in einer JSON-Datei im Benutzerkonfigurationsverzeichnis der Umgebung gespeichert und können in der Python-Umgebung oder über die Befehlszeilenschnittstelle (CLI) eingesehen oder geändert werden.

Einstellungen 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"]

Einstellungen 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()

Einstellungen 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.

FAQ#

Wie 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.

Kann 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 gewährleistet die Kompatibilität mit anderen Paketen. Installiere für CUDA-Umgebungen ultralytics, pytorch und pytorch-cuda gemeinsam, um Konflikte zu lösen:

conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=12.1 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, sorgt für reibungslose Leistung über verschiedene Systeme hinweg und vermeidet die Komplexität lokaler Installationen. Offizielle Docker-Images sind auf Docker Hub verfügbar, mit Varianten für GPU, CPU, ARM64, NVIDIA Jetson und Conda. Um das neueste Image herunterzuladen 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 --device nvidia.com/gpu=all ultralytics/ultralytics:latest

Detaillierte Docker-Anweisungen 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 das Experimentieren mit dem neuesten Quellcode. Details findest du im Ultralytics GitHub repository.

Warum 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 Nutzungsbeispiele im vollständigen CLI Guide.