Schnellstart
Ultralytics installieren
Ultralytics bietet verschiedene Installationsmethoden, darunter Pip, Conda und Docker. Installiere YOLOv8 über das ultralytics
Pip-Paket für die neueste stabile Veröffentlichung oder indem du das Ultralytics GitHub-Repository klonst für die aktuellste Version. Docker kann verwendet werden, um das Paket in einem isolierten Container auszuführen, ohne eine lokale Installation vornehmen zu müssen.
Installieren
Installieren Sie das ultralytics
Paket mit Pip oder aktualisieren Sie eine bestehende Installation, indem Sie pip install -U ultralytics
ausführen. Besuchen Sie den Python Package Index (PyPI) für weitere Details zum ultralytics
Paket: https://pypi.org/project/ultralytics/.
Sie können auch das ultralytics
Paket direkt vom GitHub Repository installieren. Dies könnte nützlich sein, wenn Sie die neueste Entwicklerversion möchten. Stellen Sie sicher, dass das Git-Kommandozeilen-Tool auf Ihrem System installiert ist. Der Befehl @main
installiert den main
Branch und kann zu einem anderen Branch geändert werden, z. B. @my-branch
, oder ganz entfernt werden, um auf den main
Branch standardmäßig zurückzugreifen.
Conda ist ein alternativer Paketmanager zu Pip, der ebenfalls für die Installation verwendet werden kann. Besuche Anaconda für weitere Details unter https://anaconda.org/conda-forge/ultralytics. Ultralytics Feedstock Repository für die Aktualisierung des Conda-Pakets befindet sich unter https://github.com/conda-forge/ultralytics-feedstock/.
Hinweis
Wenn Sie in einer CUDA-Umgebung installieren, ist es am besten, ultralytics
, pytorch
und pytorch-cuda
im selben Befehl zu installieren, um dem Conda-Paketmanager zu ermöglichen, Konflikte zu lösen, oder pytorch-cuda
als letztes zu installieren, damit es das CPU-spezifische pytorch
Paket bei Bedarf überschreiben kann.
Conda Docker-Image
Ultralytics Conda Docker-Images sind ebenfalls von DockerHub verfügbar. Diese Bilder basieren auf Miniconda3 und bieten eine einfache Möglichkeit, ultralytics
in einer Conda-Umgebung zu nutzen.
# Setze Image-Name als Variable
t=ultralytics/ultralytics:latest-conda
# Ziehe das neuste ultralytics Image von Docker Hub
sudo docker pull $t
# Führe das ultralytics Image in einem Container mit GPU-Unterstützung aus
sudo docker run -it --ipc=host --gpus all $t # alle GPUs
sudo docker run -it --ipc=host --gpus '"device=2,3"' $t # spezifische GPUs angeben
Klonen Sie das ultralytics
Repository, wenn Sie einen Beitrag zur Entwicklung leisten möchten oder mit dem neuesten Quellcode experimentieren wollen. Nach dem Klonen navigieren Sie in das Verzeichnis und installieren das Paket im editierbaren Modus -e
mit Pip.
Siehe die ultralytics
requirements.txt Datei für eine Liste der Abhängigkeiten. Beachten Sie, dass alle oben genannten Beispiele alle erforderlichen Abhängigkeiten installieren.
Watch: Ultralytics YOLO Quick Start Guide
Tipp
PyTorch-Anforderungen variieren je nach Betriebssystem und CUDA-Anforderungen, daher wird empfohlen, PyTorch zuerst gemäß den Anweisungen unter https://pytorch.org/get-started/locally zu installieren.
Ultralytics mit CLI verwenden
Die Befehlszeilenschnittstelle (CLI) von Ultralytics ermöglicht einfache Einzeilige Befehle ohne die Notwendigkeit einer Python-Umgebung. CLI erfordert keine Anpassung oder Python-Code. Sie können alle Aufgaben einfach vom Terminal aus mit dem yolo
Befehl ausführen. Schauen Sie sich den CLI-Leitfaden an, um mehr über die Verwendung von YOLOv8 über die Befehlszeile zu erfahren.
Beispiel
Ultralytics yolo
Befehle verwenden die folgende Syntax:
yolo TASK MODE ARGS
Wo TASK (optional) einer von [detect, segment, classify] ist
MODE (erforderlich) einer von [train, val, predict, export, track] ist
ARGS (optional) eine beliebige Anzahl von benutzerdefinierten 'arg=value' Paaren wie 'imgsz=320', die Vorgaben überschreiben.
yolo cfg
Trainieren Sie ein Erkennungsmodell für 10 Epochen mit einer Anfangslernerate von 0.01
Vorhersagen eines YouTube-Videos mit einem vortrainierten Segmentierungsmodell bei einer Bildgröße von 320:
Val ein vortrainiertes Erkennungsmodell bei Batch-Größe 1 und Bildgröße 640:
Exportieren Sie ein YOLOv8n-Klassifikationsmodell im ONNX-Format bei einer Bildgröße von 224 mal 128 (kein TASK erforderlich)
Warnung
Argumente müssen als arg=val
Paare übergeben werden, getrennt durch ein Gleichheitszeichen =
und durch Leerzeichen zwischen den Paaren. Verwenden Sie keine
--
Argumentpräfixe oder Kommata ,
zwischen den Argumenten.
yolo predict model=yolov8n.pt imgsz=640 conf=0.25
✅yolo predict model yolov8n.pt imgsz 640 conf 0.25
❌yolo predict --model yolov8n.pt --imgsz 640 --conf 0.25
❌
Ultralytics mit Python verwenden
Die Python-Schnittstelle von YOLOv8 ermöglicht eine nahtlose Integration in Ihre Python-Projekte und erleichtert das Laden, Ausführen und Verarbeiten der Modellausgabe. Konzipiert für Einfachheit und Benutzerfreundlichkeit, ermöglicht die Python-Schnittstelle Benutzern, Objekterkennung, Segmentierung und Klassifizierung schnell in ihren Projekten zu implementieren. Dies macht die Python-Schnittstelle von YOLOv8 zu einem unschätzbaren Werkzeug für jeden, der diese Funktionalitäten in seine Python-Projekte integrieren möchte.
Benutzer können beispielsweise ein Modell laden, es trainieren, seine Leistung an einem Validierungsset auswerten und sogar in das ONNX-Format exportieren, und das alles mit nur wenigen Codezeilen. Schauen Sie sich den Python-Leitfaden an, um mehr über die Verwendung von YOLOv8 in Ihren_python_pro_jek_ten zu erfahren.
Beispiel
from ultralytics import YOLO
# Erstellen Sie ein neues YOLO Modell von Grund auf
model = YOLO('yolov8n.yaml')
# Laden Sie ein vortrainiertes YOLO Modell (empfohlen für das Training)
model = YOLO('yolov8n.pt')
# Trainieren Sie das Modell mit dem Datensatz 'coco128.yaml' für 3 Epochen
results = model.train(data='coco128.yaml', epochs=3)
# Bewerten Sie die Leistung des Modells am Validierungssatz
results = model.val()
# Führen Sie eine Objekterkennung an einem Bild mit dem Modell durch
results = model('https://ultralytics.com/images/bus.jpg')
# Exportieren Sie das Modell ins ONNX-Format
success = model.export(format='onnx')