Schnellstart

Installieren Sie Ultralytics

Ultralytics bietet verschiedene Installationsmethoden, darunter pip, conda und Docker. Installieren Sie YOLO über die ultralytics pip-Paket für die letzte stabile Version oder durch Klonen des Ultralytics GitHub-Repository für die aktuellste Version. Docker kann verwendet werden, um das Paket in einem isolierten Container auszuführen und eine lokale Installation zu vermeiden.

Beobachten: Ultralytics YOLO Schnellstart-Anleitung

# Install the ultralytics package from PyPI
pip install ultralytics

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

# Install the ultralytics package using conda
conda install -c conda-forge ultralytics

# Install all packages together using conda
conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=11.8 ultralytics

# Set image name as a variable
t=ultralytics/ultralytics:latest-conda

# Pull the latest ultralytics image from Docker Hub
sudo docker pull $t

# Run the ultralytics image in a container with GPU support
sudo docker run -it --ipc=host --gpus all $t  # all GPUs
sudo docker run -it --ipc=host --gpus '"device=2,3"' $t  # specify GPUs

# 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 .

# Set image name as a variable
t=ultralytics/ultralytics:latest

# Pull the latest ultralytics image from Docker Hub
sudo docker pull $t

# Run the ultralytics image in a container with GPU support
sudo docker run -it --ipc=host --gpus all $t  # all GPUs
sudo docker run -it --ipc=host --gpus '"device=2,3"' $t  # specify GPUs

# Mount local directory to a directory inside the container
sudo docker run -it --ipc=host --gpus all -v /path/on/host:/path/in/container $t

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

Verwenden Sie Ultralytics mit CLI

Die Befehlszeilenschnittstelle Ultralytics (CLI) ermöglicht einfache einzeilige Befehle, ohne dass eine Umgebung Python erforderlich ist. CLI erfordert keine Anpassungen oder Python Code. Sie können alle Aufgaben einfach vom Terminal aus mit dem Befehl yolo Befehl. Prüfen Sie die CLI Leitfaden um mehr über die Verwendung von YOLO über die Befehlszeile zu erfahren.

yolo TASK MODE ARGS

yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01

yolo predict model=yolo11n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320

yolo val model=yolo11n.pt data=coco8.yaml batch=1 imgsz=640

yolo export model=yolo11n-cls.pt format=onnx imgsz=224,128

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

CLI Leitfaden

Verwenden Sie Ultralytics mit Python

YOLODie Schnittstelle Python ermöglicht eine nahtlose Integration in Ihre Python Projekte und erleichtert das Laden, Ausführen und Verarbeiten der Modellausgabe. Die Schnittstelle Python wurde mit Blick auf Einfachheit und Benutzerfreundlichkeit entwickelt und ermöglicht es den Benutzern, Objekterkennung, Segmentierung und Klassifizierung schnell in ihren Projekten zu implementieren. Das macht die Schnittstelle YOLO's Python zu einem unschätzbaren Werkzeug für jeden, der diese Funktionalitäten in seine Python Projekte einbauen möchte.

Beispielsweise können Benutzer ein Modell laden, es trainieren, seine Leistung auf einem Validierungssatz bewerten und es sogar mit nur wenigen Zeilen Code in das Format ONNX exportieren. Lesen Sie den Python Leitfaden, um mehr über die Verwendung von YOLO in Ihren Python Projekten zu erfahren.

from ultralytics import YOLO

# Create a new YOLO model from scratch
model = YOLO("yolo11n.yaml")

# Load a pretrained YOLO model (recommended for training)
model = YOLO("yolo11n.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 Leitfaden

Ultralytics Einstellungen

Die Bibliothek Ultralytics bietet ein leistungsfähiges System zur Verwaltung von Einstellungen, mit dem Sie Ihre Experimente genauestens steuern können. Durch die Verwendung der SettingsManager untergebracht in der ultralytics.utils Modul können die Benutzer ihre Einstellungen leicht abrufen und ändern. Diese werden in einer JSON-Datei im Verzeichnis der Benutzerkonfiguration der Umgebung gespeichert und können direkt in der Umgebung Python oder über die Befehlszeilenschnittstelle (CLI) angezeigt oder geändert werden.

Prüfen der Einstellungen

Um einen Einblick in die aktuelle Konfiguration Ihrer Einstellungen zu erhalten, können Sie diese direkt einsehen:

from ultralytics import settings

# View all settings
print(settings)

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

yolo settings

Ändern von Einstellungen

Ultralytics ermöglicht es den Benutzern, ihre Einstellungen einfach zu ändern. Änderungen können auf folgende Weise vorgenommen werden:

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()

# Update a setting
yolo settings runs_dir='/path/to/runs'

# Update multiple settings
yolo settings runs_dir='/path/to/runs' tensorboard=False

# Reset settings to default values
yolo settings reset

Verstehen von Einstellungen

Die folgende Tabelle gibt einen Überblick über die Einstellungen, die unter Ultralytics vorgenommen werden können. Jede Einstellung ist mit einem Beispielwert, dem Datentyp und einer kurzen Beschreibung aufgeführt.

Während Sie durch Ihre Projekte oder Experimente navigieren, sollten Sie diese Einstellungen immer wieder überprüfen, um sicherzustellen, dass sie optimal für Ihre Bedürfnisse konfiguriert sind.

FAQ

Wie kann ich Ultralytics mit pip installieren?

Um Ultralytics mit pip zu installieren, führen Sie den folgenden Befehl aus:

pip install ultralytics

Bei der letzten stabilen Version wird dadurch die ultralytics Paket direkt aus dem Python Package Index (PyPI). Für weitere Details besuchen Sie die ultralytics Paket auf PyPI.

Alternativ können Sie auch die neueste Entwicklungsversion direkt von GitHub installieren:

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

Stellen Sie sicher, dass das Git-Befehlszeilentool auf Ihrem System installiert ist.

Kann ich Ultralytics YOLO mit conda installieren?

Ja, Sie können Ultralytics YOLO mit conda installieren, indem Sie conda ausführen:

conda install -c conda-forge ultralytics

Diese Methode ist eine hervorragende Alternative zu pip und gewährleistet die Kompatibilität mit anderen Paketen in Ihrer Umgebung. Für CUDA Umgebungen ist es am besten, die ultralytics, pytorchund pytorch-cuda gleichzeitig, um eventuelle Konflikte zu lösen:

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

Weitere Anweisungen finden Sie in der Conda-Schnellstartanleitung.

Was sind die Vorteile der Verwendung von Docker für die Ausführung von Ultralytics YOLO ?

Die Verwendung von Docker zur Ausführung von Ultralytics YOLO bietet eine isolierte und konsistente Umgebung, die eine reibungslose Leistung über verschiedene Systeme hinweg gewährleistet. Außerdem entfällt die Komplexität der lokalen Installation. Offizielle Docker-Images von Ultralytics sind auf Docker Hub verfügbar, mit verschiedenen Varianten, die für GPU, CPU, ARM64, NVIDIA Jetson und Conda-Umgebungen zugeschnitten sind. Nachfolgend finden Sie die Befehle, um das neueste Image zu laden 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 --gpus all ultralytics/ultralytics:latest

Ausführlichere Anweisungen zu Docker finden Sie in der Docker-Schnellstartanleitung.

Wie kann ich das Ultralytics Repository für die Entwicklung klonen?

Um das Repository Ultralytics zu klonen und eine Entwicklungsumgebung einzurichten, gehen Sie wie folgt vor:

# 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 .

Auf diese Weise können Sie zu dem Projekt beitragen oder mit dem neuesten Quellcode experimentieren. Weitere Einzelheiten finden Sie im Ultralytics GitHub-Repository.

Warum sollte ich Ultralytics YOLO CLI verwenden?

Die Befehlszeilenschnittstelle Ultralytics YOLO (CLI) vereinfacht die Ausführung von Objekterkennungsaufgaben, ohne dass Python Code benötigt wird. Sie können einzeilige Befehle für Aufgaben wie Training, Validierung und Vorhersage direkt von Ihrem Terminal aus ausführen. Die grundlegende Syntax für yolo Befehle ist:

yolo TASK MODE ARGS

Zum Beispiel, um ein Erkennungsmodell mit bestimmten Parametern zu trainieren:

yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01

In der vollständigen AnleitungCLI finden Sie weitere Befehle und Anwendungsbeispiele.

📅 Erstellt vor 1 Jahr ✏️ Aktualisiert vor 1 Monat

Kommentare