Inicio rápido

Instala el ultralytics mediante pip, o actualiza una instalación existente ejecutando pip install -U ultralytics. Visita el Índice de Paquetes Python (PyPI) para más detalles sobre el ultralytics paquete: https://pypi.org/project/ultralytics/.

# Install the ultralytics package from PyPI
pip install ultralytics

También puedes instalar el ultralytics directamente desde GitHub repositorio. Esto puede ser útil si quieres la última versión de desarrollo. Asegúrate de tener instalada en tu sistema la herramienta de línea de comandos Git. La página @main instala el comando main rama y puede modificarse a otra rama, es decir @my-brancho suprimirlo completamente para pasar por defecto a main rama.

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

Conda es un gestor de paquetes alternativo a pip que también puede utilizarse para la instalación. Visita Anaconda para más detalles en https://anaconda.org/conda-forge/ultralytics. Ultralytics el repositorio feedstock para actualizar el paquete conda está en https://github.com/conda-forge/ultralytics-feedstock/.

# 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

Imagen Docker Conda

Ultralytics Las imágenes Docker de Conda también están disponibles en DockerHub. Estas imágenes se basan en Miniconda3 y son 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

Clona el ultralytics si estás interesado en contribuir al desarrollo o deseas experimentar con el código fuente más reciente. Después de clonar, navega hasta el directorio e instala el paquete en modo editable -e utilizando 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 .

Utiliza Docker para ejecutar sin esfuerzo el ultralytics en un contenedor aislado, lo que garantiza un rendimiento uniforme y sin problemas en distintos entornos. Al elegir uno de los paquetes oficiales ultralytics imágenes de Hub DockerCon Docker, no sólo evitas la complejidad de la instalación local, sino que también te beneficias del acceso a un entorno de trabajo verificado. Ultralytics ofrece 5 imágenes Docker principales compatibles, cada una de ellas diseñada para proporcionar una gran compatibilidad y eficacia para diferentes plataformas y casos de uso:

• Dockerfile: Imagen GPU recomendada para el entrenamiento.
• Dockerfile-arm64: Optimizado para la arquitectura ARM64, que permite el despliegue en dispositivos como Raspberry Pi y otras plataformas basadas en ARM64.
• Dockerfile-cpu: versión para CPU basada en Ubuntu, 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 sólo Python y las dependencias necesarias, ideal para aplicaciones ligeras y desarrollo.
• Dockerfile-conda: Basado en Miniconda3 con instalación conda del paquete ultralytics .

A continuación se indican 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 asigna un pseudo-TTY y mantiene stdin abierto, lo que te permite interactuar con el contenedor. La opción --ipc=host establece el espacio de nombres IPC (comunicación entre procesos) en el host, que es esencial para compartir memoria entre procesos. La dirección --gpus all flag permite acceder a todas las GPUs disponibles dentro del contenedor, lo que es crucial para tareas que requieren computación en la GPU.

Nota: Para trabajar con archivos de tu máquina local dentro del contenedor, utiliza 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

Alter /path/on/host con la ruta del directorio en tu máquina local, y /path/in/container con la ruta deseada dentro del contenedor Docker para que sea accesible.

Para un uso avanzado de Docker, no dudes en explorar la Guía Docker de Ultralytics .

Ultralytics yolo utilizan la siguiente sintaxis:

yolo TASK MODE ARGS

• TASK (opcional) es una de (detecta, segmento, clasifica, posa)
• MODE (obligatorio) es una de (tren, val, predice, exportar, pista)
• ARGS (opcional) son arg=value parejas como imgsz=640 que anulan los valores predeterminados.

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

Entrena un modelo de detección durante 10 épocas con una tasa_de_aprendizaje inicial de 0,01

yolo train data=coco8.yaml model=yolov8n.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=yolov8n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320

Val un modelo de detección preentrenado a tamaño de lote 1 y tamaño de imagen 640:

yolo val model=yolov8n.pt data=coco8.yaml batch=1 imgsz=640

Exporta un modelo de clasificación YOLOv8n al formato ONNX con un tamaño de imagen de 224 por 128 (no requiere TASK).

yolo export model=yolov8n-cls.pt format=onnx imgsz=224,128

Ejecuta 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

Puedes utilizar Python para ver tus ajustes. Empieza importando el archivo settings del objeto ultralytics módulo. Imprime y devuelve los ajustes mediante los siguientes comandos:

from ultralytics import settings

# View all settings
print(settings)

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

Alternativamente, la interfaz de línea de comandos te permite comprobar tu configuración con un simple comando:

yolo settings

Dentro del entorno Python , llama a la función update del método settings para cambiar tu configuración:

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()

Si prefieres utilizar la interfaz de línea de comandos, los siguientes comandos te permitirán modificar tu configuración:

# 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