Cómo instalar Ultralytics YOLO con Conda#

Esta guía explica cómo configurar un entorno Conda para tus proyectos de Ultralytics. Conda es un sistema de gestión de paquetes y entornos de código abierto 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 machine learning. Para obtener más detalles, visita el paquete de Ultralytics para Conda en Anaconda y consulta el repositorio del feedstock de Ultralytics para ver las actualizaciones de los paquetes en GitHub.

Esta guía cubre cómo crear un entorno, instalar Ultralytics, ejecutar la inferencia, utilizar la imagen de Docker de Conda y acelerar las instalaciones con libmamba.

Requisitos previos#

Debes tener Anaconda o Miniconda instalados en tu sistema. Si no es así, descárgalos e instálalos desde Anaconda o Miniconda.

Configuración de un entorno Conda#

Primero, crea un nuevo entorno Conda. Abre tu 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 Ultralytics desde el canal conda-forge. Ejecuta el siguiente comando:

conda install -c conda-forge ultralytics

conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=12.1 ultralytics

Uso de Ultralytics#

Con Ultralytics instalado, ya puedes empezar a usar sus potentes 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 Ultralytics Conda#

Si prefieres usar Docker, Ultralytics ofrece imágenes de Docker que incluyen un entorno Conda. Puedes descargar estas imágenes desde DockerHub.

Descarga la imagen más reciente de Ultralytics:

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

# Pull the latest Ultralytics image from Docker Hub
sudo docker pull $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 bandera obsoleta --gpus all puede hacer que se pierda el acceso a la GPU tras reiniciar el daemon del host, así que actualiza los hosts Linux antiguos y usa --device en su lugar. Consulta la Guía de inicio rápido de Docker para obtener más detalles.

Aceleración de 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 primer momento.

Si utilizas una versión anterior 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 con éxito un entorno Conda, has instalado el paquete de Ultralytics y ya estás listo para explorar sus funciones. Para ver tutoriales y ejemplos más avanzados, consulta la documentación de Ultralytics.

FAQ#