Cómo instalar Ultralytics YOLO con Conda#

Esta guía explica cómo configurar un entorno de Conda para tus proyectos de Ultralytics. Conda es un sistema de código abierto para gestionar paquetes y entornos que ofrece una excelente 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. Para obtener más información, visita el paquete de Ultralytics para Conda en Anaconda y consulta el repositorio feedstock de Ultralytics para ver las actualizaciones de paquetes en GitHub.

Esta guía explica cómo crear un entorno, instalar 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, descárgalo e instálalo desde Anaconda o Miniconda.

Configuración de un entorno de Conda#

Primero, crea un entorno nuevo de Conda. Abre el terminal y ejecuta el siguiente comando:

conda create --name ultralytics-env python=3.11 -y

Activa el nuevo entorno:

conda activate ultralytics-env

Instalación de Ultralytics#

Puedes instalar el paquete de Ultralytics desde el canal conda-forge. Ejecuta el siguiente comando:

conda install -c conda-forge ultralytics

conda install -c conda-forge ultralytics pytorch-gpu

Uso de Ultralytics#

Con Ultralytics instalado, ya puedes empezar a utilizar sus sólidas funciones para la detección de objetos, la segmentación de instancias y mucho más. Por ejemplo, para predecir una imagen, puedes ejecutar:

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

Imagen Docker de Conda de Ultralytics#

El Conda Dockerfile utiliza PyTorch 2.13, torchvision 0.28 y CUDA 13.0 de conda-forge. Las versiones de conda-forge pueden retrasarse respecto a las versiones de PyTorch en pip utilizadas en la imagen estándar para GPU. La publicación automatizada de latest-conda está deshabilitada, así que construye 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 provocar la pérdida del acceso a la GPU después de recargar los demonios del host, así que actualiza los hosts Linux antiguos y utiliza --device en su lugar. Consulta la Guía de inicio rápido de Docker para obtener más información.

Acelerar la instalación con Libmamba#

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

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

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

   conda install conda-libmamba-solver

2. A continuación, configura Conda para que utilice libmamba como solucionador:

   conda config --set solver libmamba

Has configurado correctamente un entorno de Conda, has instalado el paquete de Ultralytics y ya puedes explorar sus funciones. Para consultar tutoriales y ejemplos más avanzados, visita la documentación de Ultralytics.

Preguntas frecuentes#