Empezar

Cómo instalar Ultralytics YOLO con Conda

Ultralytics package for Conda from conda-forge

Esta guía explica cómo configurar un entorno Conda para tus proyectos de Ultralytics. Conda es un sistema de código abierto para gestionar paquetes y entornos, y una alternativa a pip para instalar paquetes y dependencias. Sus entornos aislados lo hacen especialmente adecuado para el trabajo de ciencia de datos y aprendizaje automático.

Versión de Conda Descargas de Conda Receta de Conda Plataformas de Conda

Esta guía explica cómo crear un entorno con Ultralytics, ejecutar inferencias, usar la imagen Docker de Conda y acelerar las instalaciones con libmamba.

Requisitos previos#

Debes tener Anaconda o Miniconda instalado en tu sistema. Si no es así, descarga e instala uno de estos programas desde Anaconda o Miniconda.

Instalación de Ultralytics#

Crea un entorno nuevo de Conda con Ultralytics desde el canal conda-forge y, después, actívalo. Instala Python, Ultralytics y torchvision (que no es una dependencia del paquete conda-forge) en el mismo comando para que conda resuelva conjuntamente versiones actuales y compatibles:

conda create --name ultralytics-env -c conda-forge python=3.11 ultralytics torchvision -y
conda activate ultralytics-env
Instalación en un entorno CUDA

Si trabajas en un entorno habilitado para CUDA, añade el metapaquete pytorch-gpu de conda-forge al mismo comando para que conda resuelva una compilación de PyTorch habilitada para CUDA:

conda create --name ultralytics-env -c conda-forge python=3.11 ultralytics torchvision pytorch-gpu -y
conda activate ultralytics-env

Nota sobre el entorno ROCm (GPU AMD, Linux)#

Para acelerar la GPU AMD en Linux con ROCm, las ruedas de PyTorch para ROCm no están disponibles en Conda y deben instalarse con pip. Usa un entorno Conda para aislar las dependencias y, a continuación, instala PyTorch ROCm y Ultralytics mediante pip:

conda create --name ultralytics-rocm python=3.12 -y
conda activate ultralytics-rocm
pip install "torch[device-all]" "torchvision[device-all]" --index-url https://stable.repo.amd.com/rocm/whl-next/
pip install ultralytics

Consulta la página Primeros pasos con PyTorch para ver las versiones de ROCm compatibles y la guía de GPU AMD para configurar la inferencia con MIGraphX, que requiere Python 3.11 o posterior en Linux x86_64.

Uso de Ultralytics#

Con Ultralytics instalado, puedes ejecutar detección de objetos, segmentación de instancias y otras tareas de visión. Por ejemplo, para ejecutar una inferencia en una imagen:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # inicializar el modelo
results = model("path/to/image.jpg")  # realizar inferencia
results[0].show()  # mostrar los resultados de la primera imagen

Imagen Docker de Ultralytics Conda#

El Dockerfile de Conda usa PyTorch 2.13 de conda-forge, torchvision 0.28 y CUDA 13.0. Las versiones de conda-forge pueden tardar en llegar respecto a las versiones de PyTorch disponibles en pip que usa la imagen estándar para GPU. La publicación automatizada de latest-conda está desactivada, así que compila la imagen actual localmente:

git clone https://github.com/ultralytics/ultralytics
cd ultralytics
t=ultralytics-conda:local
sudo docker build -f docker/Dockerfile-conda -t $t .

Ejecuta la imagen:

# Run the Ultralytics image in a container with GPU support
sudo docker run -it --ipc=host --device nvidia.com/gpu=all $t                         # all GPUs
sudo docker run -it --ipc=host --device nvidia.com/gpu=2 --device nvidia.com/gpu=3 $t # specify GPUs

En Linux, las solicitudes de dispositivos CDI requieren Docker >= 28.2.0 y NVIDIA Container Toolkit >= 1.18. La opción heredada --gpus all puede dejar de dar acceso a la GPU tras volver a cargar el daemon del host, así que actualiza los hosts Linux antiguos y usa --device. Consulta la Guía de inicio rápido de Docker para obtener más información.

Acelerar la instalación con Libmamba#

libmamba es un solucionador rápido, multiplataforma y con gestión de dependencias que sustituye al solucionador clásico de Conda. Conda 23.10 y versiones posteriores ya usan libmamba como solucionador predeterminado, por lo que la mayoría de las instalaciones son más rápidas desde el primer momento.

Si utilizas una versión antigua de Conda, puedes activar libmamba manualmente:

  1. Primero, instala el paquete conda-libmamba-solver:

    conda install conda-libmamba-solver
  2. A continuación, configura Conda para que use libmamba como solucionador:

    conda config --set solver libmamba

Has configurado correctamente un entorno Conda e instalado el paquete Ultralytics; ya puedes explorar sus funciones. Para ver tutoriales y ejemplos más avanzados, consulta la documentación de Ultralytics.

Preguntas frecuentes#

  • Crea el entorno con Python y Ultralytics desde el canal conda-forge en un solo comando para que conda resuelva ambos conjuntamente; después, actívalo:

    conda create --name ultralytics-env -c conda-forge python=3.11 ultralytics torchvision -y
    conda activate ultralytics-env
  • Conda es un sistema de gestión de paquetes y entornos que ofrece varias ventajas frente a pip. Gestiona las dependencias de forma eficaz y garantiza la compatibilidad de todas las bibliotecas necesarias. Los entornos aislados de Conda evitan conflictos entre paquetes, algo fundamental en proyectos de ciencia de datos y aprendizaje automático. Además, Conda admite la distribución de paquetes binarios, lo que acelera el proceso de instalación.

  • Sí. Crea el entorno con ultralytics y el metapaquete pytorch-gpu de conda-forge en el mismo comando para que se resuelva junto con una compilación de PyTorch compatible con CUDA:

    conda create --name ultralytics-env -c conda-forge python=3.11 ultralytics torchvision pytorch-gpu -y
    conda activate ultralytics-env

    Esta configuración permite acelerar el procesamiento con GPU, algo esencial para tareas exigentes como el entrenamiento y la inferencia de modelos de aprendizaje profundo. Para obtener más información, consulta la guía de instalación de Ultralytics.

  • El Dockerfile de Conda proporciona un entorno conda-forge aislado y PyTorch compatible con CUDA. Sigue las instrucciones de compilación local y, a continuación, ejecútalo con las opciones de GPU que se indican allí. La imagen GPU estándar publicada y otras alternativas aparecen en la guía de Docker.

  • Conda 23.10 y versiones posteriores ya usan el rápido solucionador libmamba de forma predeterminada. En versiones anteriores de Conda, puedes activarlo manualmente instalando primero el paquete conda-libmamba-solver:

    conda install conda-libmamba-solver

    A continuación, configura Conda para que use libmamba como solucionador:

    conda config --set solver libmamba

    Esta configuración permite gestionar los paquetes con mayor rapidez y eficacia.

Comentarios6

Haz una pregunta, comparte tus resultados o ayuda a otra persona.

  1. najwazkiyahhGitHub

    Hi! I'm the new to using YOLO. I have python 3.12 on my laptop because my previous exam need it-the latest version of python. I want to install ultralytics YOLOv11, should I downgrade my python version from 3.12 into 3.11? Or I should downgrade my python version to the recommended requirement, 3.8? Thank you, hope you (anybody) can answer my confusion.

    1. Glenn JocherUltralytics

      @najwazkiyahh you don't need to downgrade your system Python! 😊 Simply create a Conda environment with Python 3.11 using conda create --name yolo_env python=3.11, then activate it and install Ultralytics. This keeps your existing Python 3.12 intact while giving you a compatible YOLO11 environment. For full steps, see the Conda Quickstart Guide for Ultralytics.

      We recommend this approach as it maintains version isolation while allowing you to work with both Python versions seamlessly. Welcome to the YOLO community! 🚀

  2. MalvinlamGitHub

    Hi is there a way to install the yolov8 dependencies using Anaconda prompt to the virtual environment other than pip install ultralytics? For example I already downloaded the ultralytics package from GitHub and opened it as project folder using PyCharm. Is there a way to only install the required libraries?

    1. Glenn JocherUltralytics(editado)

      @Malvinlam hi there! 👋

      Absolutely, you can install the required dependencies for Ultralytics using Conda without relying on pip install ultralytics. Here's a step-by-step guide to help you set up your Conda environment and install the necessary libraries:

      1. Create a New Conda Environment: First, create a new Conda environment with Python 3.11 (or your preferred version):

        conda create --name ultralytics-env python=3.11 -y
      2. Activate the Environment: Activate your newly created environment:

        conda activate ultralytics-env
      3. Install Required Libraries: The repository no longer has a requirements.txt; its dependencies are declared in pyproject.toml. From the root of your cloned repository, run:

        pip install -e .

        Alternatively, if you want to install specific packages manually, you can use:

        conda install -c conda-forge numpy pandas matplotlib opencv scikit-learn
        conda install -c pytorch pytorch torchvision torchaudio
      4. Note on CUDA Environment: If you're working in a CUDA-enabled environment, it's a good practice to install pytorch and pytorch-cuda together to resolve any conflicts:

        conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision torchaudio pytorch-cuda=11.8
      5. Using Ultralytics: With the dependencies installed, you can now start using Ultralytics. For example, to perform inference with YOLO26:

        from ultralytics import YOLO
        
        model = YOLO("yolo26n.pt")  # initialize model
        results = model("path/to/image.jpg")  # perform inference
        results[0].show()  # display results for the first image

      For more detailed instructions, you can refer to our Conda Quickstart Guide.

      If you encounter any issues or have further questions, feel free to ask. Happy coding! 😊

  3. nadinatorGitHub

    Does the python version have to be 3.8? Can it be a newer version? What would/wouldn't break if we used 3.11, for example (I'm thinking of the [ray]tuning feature)?

    1. Glenn JocherUltralytics

      Hey there! 😊

      You can definitely use Python versions newer than 3.8, including 3.11. However, it's important to note that while most features should work fine, there might be some compatibility issues with newer Python versions, especially with external libraries or specific features like [ray] tuning.

      If you're keen on using Python 3.11, I'd recommend testing the key functionalities you plan to use in your project to ensure everything runs smoothly. For the [ray] tuning feature, you might want to check Ray's documentation or GitHub issues for any known compatibility concerns with Python 3.11.

      Here's a quick example of how you might set up your environment with Python 3.11:

      conda create --name ultralytics-env python=3.11 -y
      conda activate ultralytics-env
      conda install -c conda-forge ultralytics

      And remember, if you encounter any issues, the Ultralytics community is here to help! 🚀