Zum Inhalt

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/.

PyPI-Version Downloads

# Installiere das ultralytics Paket von PyPI
pip install 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.

# Installiere das ultralytics Paket von GitHub
pip install git+https://github.com/ultralytics/ultralytics.git@main

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/.

Conda Rezept Conda Downloads Conda Version Conda Plattformen

# Installiere das ultralytics Paket mit Conda
conda install -c conda-forge ultralytics

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.

# Installiere alle Pakete zusammen mit Conda
conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=11.8 ultralytics

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.

# Klonen Sie das ultralytics Repository
git clone https://github.com/ultralytics/ultralytics

# Navigiere zum geklonten Verzeichnis
cd ultralytics

# Installiere das Paket im editierbaren Modus für die Entwicklung
pip install -e .

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.

PyTorch Installationsanweisungen

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.
Sehen Sie alle ARGS im vollständigen Konfigurationsleitfaden oder mit yolo cfg

Trainieren Sie ein Erkennungsmodell für 10 Epochen mit einer Anfangslernerate von 0.01

yolo train data=coco128.yaml model=yolov8n.pt epochs=10 lr0=0.01

Vorhersagen eines YouTube-Videos mit einem vortrainierten Segmentierungsmodell bei einer Bildgröße von 320:

yolo predict model=yolov8n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320

Val ein vortrainiertes Erkennungsmodell bei Batch-Größe 1 und Bildgröße 640:

yolo val model=yolov8n.pt data=coco128.yaml batch=1 imgsz=640

Exportieren Sie ein YOLOv8n-Klassifikationsmodell im ONNX-Format bei einer Bildgröße von 224 mal 128 (kein TASK erforderlich)

yolo export model=yolov8n-cls.pt format=onnx imgsz=224,128

Führen Sie spezielle Befehle aus, um Version, Einstellungen zu sehen, Checks auszuführen und mehr:

yolo help
yolo checks
yolo version
yolo settings
yolo copy-cfg
yolo cfg

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   ❌

CLI-Leitfaden

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')

Python-Leitfaden


Created 2023-11-13, Updated 2023-11-25
Authors: glenn-jocher (5), chr043416@gmail.com (1)

Kommentare