Instale Ultralytics

Q: How do I install Ultralytics using pip?

Instala Ultralytics con pip usando: Esto instala la última versión estable del paquete ultralytics desde PyPI. Para instalar la versión de desarrollo directamente desde GitHub: Asegúrese de que la herramienta de línea de comandos Git está instalada en su sistema.

Q: How do I clone the Ultralytics repository for development?

Clonar el repositorio Ultralytics y configurar un entorno de desarrollo con: Esto permite realizar contribuciones al proyecto o experimentar con el código fuente más reciente. Para más detalles, visite el repositorio GitHub Ultralytics Ultralytics.

Ultralytics ofrece diversos métodos de instalación, como pip, conda y Docker. Puede instalar YOLO a través del ultralytics pip para la última versión estable, o clonando el paquete Ultralytics Repositorio GitHub para obtener la versión más actual. Docker también es una opción para ejecutar el paquete en un contenedor aislado, lo que evita la instalación local.

Observa: Ultralytics YOLO Guía de inicio rápido

Instale

Instalación Pip (recomendada)Instalación de CondaClon GitDocker

Instale o actualice el ultralytics mediante pip ejecutando pip install -U ultralytics. Para más información sobre el ultralytics visite la página Índice de paquetes Python (PyPI).

# Install the ultralytics package from PyPI
pip install ultralytics

También puede instalar ultralytics directamente del Ultralytics Repositorio GitHub. Esto puede ser útil si quieres la última versión de desarrollo. Asegúrese de tener instalada la herramienta de línea de comandos Git y ejecútela:

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

Conda puede utilizarse como gestor de paquetes alternativo a pip. Para más detalles, visite Anaconda. El repositorio de alimentación de Ultralytics para actualizar el paquete conda está disponible en GitHub.

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

Nota

Si realiza la instalación en un entorno CUDA , la mejor práctica consiste en instalar ultralytics, pytorchy pytorch-cuda en el mismo comando. Esto permite al gestor de paquetes conda resolver cualquier conflicto. Alternativamente, instale pytorch-cuda última para anular la CPU pytorch paquete si es necesario.

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

Imagen Docker de Conda

Ultralytics Las imágenes Docker de Conda también están disponibles en DockerHub. Estas imágenes se basan en Miniconda3 y ofrecen una forma sencilla de empezar a utilizar ultralytics en un entorno Conda.

# 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

Clonar el Ultralytics Repositorio GitHub si está interesado en contribuir al desarrollo o desea experimentar con el código fuente más reciente. Después de clonar, navegue hasta el directorio e instale el paquete en modo editable -e usando pip.

# 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 .

Utilice Docker para ejecutar el ultralytics en un contenedor aislado, lo que garantiza un rendimiento uniforme en varios entornos. Al seleccionar uno de los paquetes ultralytics imágenes de Centro DockerCon Ultralytics, evitará la complejidad de la instalación local y accederá a un entorno de trabajo verificado. Ultralytics ofrece cinco imágenes Docker principales compatibles, cada una de ellas diseñada para ofrecer una alta compatibilidad y eficiencia:

Dockerfile: GPU imagen recomendada para la formación.
Dockerfile-arm64: Optimizado para la arquitectura ARM64, adecuado para el despliegue en dispositivos como Raspberry Pi y otras plataformas basadas en ARM64.
cpu: versión basada en Ubuntu CPU, adecuada para inferencia y entornos sin GPU.
Dockerfile-jetson: Adaptado para dispositivos NVIDIA Jetson, integrando soporte GPU optimizado para estas plataformas.
Dockerfile-python: Imagen mínima con solo Python y las dependencias necesarias, ideal para aplicaciones ligeras y desarrollo.
Dockerfile-conda: Basado en Miniconda3 con una instalación conda del ultralytics paquete.

Aquí están los comandos para obtener la última imagen y ejecutarla:

# 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

El comando anterior inicializa un contenedor Docker con la última versión de ultralytics imagen. En -it asignan un pseudo-TTY y mantienen stdin abierto, permitiendo la interacción con el contenedor. La dirección --ipc=host establece el espacio de nombres IPC (Inter-Process Communication) en el host, que es esencial para compartir memoria entre procesos. La dirección --gpus all flag permite acceder a todas las GPU disponibles dentro del contenedor, algo crucial para las tareas que requieren cálculo en GPU .

Nota: Para trabajar con archivos en su máquina local dentro del contenedor, utilice volúmenes Docker para montar un directorio local en el contenedor:

# 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

Sustituir /path/on/host con la ruta del directorio en su máquina local, y /path/in/container con la ruta deseada dentro del contenedor Docker.

Para un uso avanzado de Docker, explore la Guía DockerUltralytics .

Véase el ultralytics pyproject.toml para obtener una lista de dependencias. Tenga en cuenta que todos los ejemplos anteriores instalan todas las dependencias necesarias.

Consejo

PyTorch varían según el sistema operativo y los requisitos CUDA , así que instale PyTorch primero siguiendo las instrucciones de PyTorch.

Utilice Ultralytics con CLI

La interfaz de línea de comandosCLI Ultralytics permite ejecutar comandos sencillos de una sola línea sin necesidad de un entorno Python . CLI no requiere personalización ni código Python ; ejecute todas las tareas desde el terminal con el comando yolo de YOLO. Para obtener más información sobre el uso de YOLO desde la línea de comandos, consulte la sección CLI Guía.

Ejemplo

SintaxisTrenPredecirValExportarCuentaEntrenamientoColaInferencia con StreamlitEspecial

Ultralytics yolo utilizan la siguiente sintaxis:

yolo TASK MODE ARGS

- TASK (opcional) es uno de (detectar, segmento, clasificar, posar, obb) - MODE (obligatorio) es uno de (tren, val, predecir, exportar, pista, referencia) - ARGS (opcional) son arg=value pares como imgsz=640 que anulan los valores predeterminados.

Ver todos ARGS en el pleno Guía de configuración o con el yolo cfg CLI mando.

Entrene un modelo de detección durante 10 épocas con una tasa de aprendizaje inicial de 0,01:

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

Predecir un vídeo de YouTube utilizando un modelo de segmentación preentrenado a tamaño de imagen 320:

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

Validar un modelo de detección preentrenado con un tamaño de lote de 1 y un tamaño de imagen de 640:

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

Exportar un modelo de clasificación YOLOv11n al formato ONNX con un tamaño de imagen de 224x128 (no requiere TASK):

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

Cuenta objetos en un vídeo o en una transmisión en directo con YOLO11:

yolo solutions count show=True

yolo solutions count source="path/to/video.mp4" # specify video file path

Controla los ejercicios de entrenamiento con un modelo de pose YOLO11 :

yolo solutions workout show=True

yolo solutions workout source="path/to/video.mp4" # specify video file path

# Use keypoints for ab-workouts
yolo solutions workout kpts="[5, 11, 13]" # left side
yolo solutions workout kpts="[6, 12, 14]" # right side

Utilice YOLO11 para contar objetos en una cola o región designada:

yolo solutions queue show=True

yolo solutions queue source="path/to/video.mp4" # specify video file path

yolo solutions queue region="[(20, 400), (1080, 400), (1080, 360), (20, 360)]" # configure queue coordinates

Realice la detección de objetos, la segmentación de instancias o la estimación de poses en un navegador web utilizando Streamlit:

yolo solutions inference

yolo solutions inference model="path/to/model.pt" # use model fine-tuned with Ultralytics Python package

Ejecute comandos especiales para ver la versión, ver la configuración, ejecutar comprobaciones y mucho más:

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

Advertencia

Los argumentos deben pasarse como arg=value pares, divididos por una igualdad = y delimitado por espacios. No utilice -- prefijos argumentales o comas , entre argumentos.

yolo predict model=yolo11n.pt imgsz=640 conf=0.25 ✅
yolo predict model yolo11n.pt imgsz 640 conf 0.25 ❌ (falta =)
yolo predict model=yolo11n.pt, imgsz=640, conf=0.25 ❌ (no utilizar ,)
yolo predict --model yolo11n.pt --imgsz 640 --conf 0.25 ❌ (no utilizar --)
yolo solution model=yolo11n.pt imgsz=640 conf=0.25 ❌ (utilizar solutionsno solution)

CLI Guía

Utilice Ultralytics con Python

La interfazPython de Ultralytics YOLO ofrece una integración perfecta en proyectos Python , facilitando la carga, ejecución y procesamiento de los resultados del modelo. Diseñada para la simplicidad, la interfaz Python permite a los usuarios implementar rápidamente la detección, segmentación y clasificación de objetos. Esto convierte a la interfaz YOLO Python en una herramienta inestimable para incorporar estas funcionalidades a los proyectos Python .

Por ejemplo, los usuarios pueden cargar un modelo, entrenarlo, evaluar su rendimiento y exportarlo al formato ONNX con sólo unas pocas líneas de código. Explore la GuíaPython para obtener más información sobre el uso de YOLO en sus proyectos Python .

Ejemplo

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 Guía

Ultralytics Ajustes

La biblioteca Ultralytics incluye un SettingsManager para un control detallado de los experimentos, permitiendo a los usuarios acceder y modificar los ajustes fácilmente. Almacenados en un archivo JSON dentro del directorio de configuración de usuario del entorno, estos ajustes se pueden ver o modificar en el entorno Python o a través de la interfaz de línea de comandosCLI).

Inspección de ajustes

Para ver la configuración actual de sus ajustes:

Ver configuración

PythonCLI

Utilice Python para ver su configuración importando el archivo settings del objeto ultralytics módulo. Imprima y devuelva los ajustes con estos comandos:

from ultralytics import settings

# View all settings
print(settings)

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

La interfaz de línea de comandos te permite comprobar tu configuración con:

yolo settings

Modificar la configuración

Ultralytics facilita la modificación de la configuración de las siguientes maneras:

Actualizar ajustes

PythonCLI

En Python, utilice la función update en el settings objeto:

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()

Para modificar la configuración mediante la interfaz de línea de comandos:

# 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

Comprender los ajustes

La siguiente tabla muestra los parámetros ajustables en Ultralytics, incluyendo valores de ejemplo, tipos de datos y descripciones.

Nombre	Valor de ejemplo	Tipo de datos	Descripción
`settings_version`	`'0.0.4'`	`str`	Versión deconfiguración de Ultralytics (distinta de la versiónpip de Ultralytics )
`datasets_dir`	`'/path/to/datasets'`	`str`	Directorio donde se almacenan los conjuntos de datos
`weights_dir`	`'/path/to/weights'`	`str`	Directorio donde se almacenan los pesos del modelo
`runs_dir`	`'/path/to/runs'`	`str`	Directorio donde se almacenan las ejecuciones de los experimentos
`uuid`	`'a1b2c3d4'`	`str`	Identificador único de la configuración actual
`sync`	`True`	`bool`	Opción de sincronizar los análisis y las caídas con Ultralytics HUB
`api_key`	`''`	`str`	Clave API Ultralytics HUB
`clearml`	`True`	`bool`	Opción de utilizar ClearML registro
`comet`	`True`	`bool`	Opción de utilizar Comet ML para el seguimiento y la visualización de experimentos
`dvc`	`True`	`bool`	Opción de utilizar DVC para el seguimiento de experimentos y el control de versiones
`hub`	`True`	`bool`	Opción de utilizar la integración Ultralytics HUB
`mlflow`	`True`	`bool`	Opción de utilizar MLFlow para el seguimiento de experimentos
`neptune`	`True`	`bool`	Opción de utilizar Neptune para el seguimiento de experimentos
`raytune`	`True`	`bool`	Opción de utilizar Ray Tune para el ajuste de hiperparámetros
`tensorboard`	`True`	`bool`	Opción de utilizar TensorBoard para la visualización
`wandb`	`True`	`bool`	Opción de uso Weights & Biases registro
`vscode_msg`	`True`	`bool`	Cuando se detecta un terminal VS Code, habilita un prompt para descargar la extensión Ultralytics.

Revise estos ajustes a medida que avance en los proyectos o experimentos para garantizar una configuración óptima.

PREGUNTAS FRECUENTES

¿Cómo se instala Ultralytics con pip?

Instale Ultralytics con pip usando:

pip install ultralytics

Esto instala la última versión estable de ultralytics paquete de PyPI. Para instalar la versión de desarrollo directamente desde GitHub:

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

Asegúrese de que la herramienta de línea de comandos Git está instalada en su sistema.

¿Puedo instalar Ultralytics YOLO utilizando conda?

Sí, instale Ultralytics YOLO usando conda con:

conda install -c conda-forge ultralytics

Este método es una gran alternativa a pip, asegurando la compatibilidad con otros paquetes. Para entornos CUDA , instale ultralytics, pytorchy pytorch-cuda juntos para resolver los conflictos:

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

Para más instrucciones, consulta la guía de inicio rápido de Conda.

¿Cuáles son las ventajas de utilizar Docker para ejecutar Ultralytics YOLO ?

Docker proporciona un entorno aislado y coherente para Ultralytics YOLO, lo que garantiza un rendimiento fluido en todos los sistemas y evita las complejidades de la instalación local. Las imágenes oficiales de Docker están disponibles en Docker Hub, con variantes para GPU, CPU, ARM64, NVIDIA Jetson y Conda. Para extraer y ejecutar la imagen más reciente:

# 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

Para obtener instrucciones detalladas sobre Docker, consulte la guía de inicio rápido de Docker.

¿Cómo clono el repositorio Ultralytics para el desarrollo?

Clona el repositorio de Ultralytics y configura un entorno de desarrollo con:

# 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 .

Esto permite realizar contribuciones al proyecto o experimentar con el código fuente más reciente. Para más detalles, visite el repositorio GitHubUltralytics .

¿Por qué debería utilizar Ultralytics YOLO CLI ?

Ultralytics YOLO CLI simplifica la ejecución de tareas de detección de objetos sin código Python , permitiendo comandos de una sola línea para la formación, validación y predicción directamente desde su terminal. La sintaxis básica es:

yolo TASK MODE ARGS

Por ejemplo, para entrenar un modelo de detección:

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

Encontrará más comandos y ejemplos de uso en la guía completa deCLI .

Creado hace 1 año ✏️ Actualizado hace 3 días