Inicio rápido
Instala Ultralytics
Ultralytics provides various installation methods including pip, conda, and Docker. Install YOLO via the ultralytics
pip para la última versión estable o clonando el paquete Ultralytics Repositorio GitHub para obtener la versión más actualizada. Se puede utilizar Docker para ejecutar el paquete en un contenedor aislado, evitando la instalación local.
Observa: Ultralytics YOLO Guía de inicio rápido
Instala
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/.
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-branch
o suprimirlo completamente para pasar por defecto a main
rama.
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/.
Nota
Si vas a instalar en un entorno CUDA , la mejor práctica es instalar ultralytics
, pytorch
y pytorch-cuda
en el mismo comando para permitir que el gestor de paquetes conda resuelva cualquier conflicto, o bien para instalar pytorch-cuda
último para permitir que anule el CPU-específico pytorch
paquete si es necesario.
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.
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 la formación.
- 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 basada en Ubuntu CPU-sólo apta para inferencia y entornos sin GPU.
- Dockerfile-jetson: Adaptado para los dispositivos NVIDIA Jetson, integrando el 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
permite acceder a todas las GPUs disponibles dentro del contenedor, lo que es crucial para tareas que requieren computación en 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 .
Ver el ultralytics
pyproject.toml para obtener una lista de dependencias. Ten en cuenta que todos los ejemplos anteriores instalan todas las dependencias necesarias.
Consejo
PyTorch requirements vary by operating system and CUDA requirements, so it's recommended to install PyTorch first following instructions at https://pytorch.org/get-started/locally.
Utiliza Ultralytics con CLI
La interfaz de línea de comandos Ultralytics (CLI) permite ejecutar comandos sencillos de una sola línea sin necesidad de un entorno Python . CLI no requiere personalización ni código Python . Puedes simplemente ejecutar todas las tareas desde el terminal con el comando yolo
mando. Echa un vistazo a CLI Guía to learn more about using YOLO from the command line.
Ejemplo
Ultralytics yolo
utilizan la siguiente sintaxis:
TASK
(opcional) es una de (detecta, segmento, clasifica, posa, obb)MODE
(obligatorio) es una de (tren, val, predice, exportar, pista, punto de referencia)ARGS
(opcional) sonarg=value
parejas comoimgsz=640
que anulan los valores predeterminados.
Ver todo ARGS
en el pleno Guía de configuración o con el yolo cfg
CLI mando.
Train a detection model for 10 epochs with an initial learning_rate of 0.01
Predecir un vídeo de YouTube utilizando un modelo de segmentación preentrenado a tamaño de imagen 320:
Val un modelo de detección preentrenado a tamaño de lote 1 y tamaño de imagen 640:
Export a yolo11n classification model to ONNX format at image size 224 by 128 (no TASK required)
Advertencia
Los argumentos deben pasarse como arg=val
pares, divididos por una igualdad =
y delimitado por espacios entre pares. No utilices --
prefijos de argumento 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 utilices,
)yolo predict --model yolo11n.pt --imgsz 640 --conf 0.25
❌ (no utilices--
)
Utiliza Ultralytics con Python
YOLO's Python interface allows for seamless integration into your Python projects, making it easy to load, run, and process the model's output. Designed with simplicity and ease of use in mind, the Python interface enables users to quickly implement object detection, segmentation, and classification in their projects. This makes YOLO's Python interface an invaluable tool for anyone looking to incorporate these functionalities into their Python projects.
For example, users can load a model, train it, evaluate its performance on a validation set, and even export it to ONNX format with just a few lines of code. Check out the Python Guide to learn more about using YOLO within your Python projects.
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")
Ultralytics Ajustes
La biblioteca Ultralytics proporciona un potente sistema de gestión de ajustes que permite un control detallado de tus experimentos. Utilizando la función SettingsManager
alojados en el ultralytics.utils
module, users can readily access and alter their settings. These are stored in a JSON file in the environment user configuration directory, and can be viewed or modified directly within the Python environment or via the Command-Line Interface (CLI).
Inspeccionar ajustes
Para conocer la configuración actual de tus ajustes, puedes verlos directamente:
Ver ajustes
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:
Modificar ajustes
Ultralytics permite a los usuarios modificar fácilmente sus ajustes. Los cambios se pueden realizar de las siguientes formas:
Actualizar ajustes
Dentro del entorno Python , llama a la función update
del método settings
para cambiar tu configuración:
Si prefieres utilizar la interfaz de línea de comandos, los siguientes comandos te permitirán modificar tu configuración:
Comprender los ajustes
La siguiente tabla proporciona una visión general de los ajustes disponibles en Ultralytics. Cada ajuste se describe con un valor de ejemplo, el tipo de dato y una breve descripción.
Nombre | Valor de ejemplo | Tipo de datos | Descripción |
---|---|---|---|
settings_version |
'0.0.4' |
str |
Ultralytics versión deconfiguración (diferente de la versiónpip de Ultralytics ) |
datasets_dir |
'/path/to/datasets' |
str |
El directorio donde se almacenan los conjuntos de datos |
weights_dir |
'/path/to/weights' |
str |
El directorio donde se almacenan los pesos del modelo |
runs_dir |
'/path/to/runs' |
str |
El directorio donde se almacenan las ejecuciones del experimento |
uuid |
'a1b2c3d4' |
str |
El identificador único de la configuración actual |
sync |
True |
bool |
Si se sincronizan los análisis y los accidentes con el HUB |
api_key |
'' |
str |
Ultralytics Clave API HUB |
clearml |
True |
bool |
Whether to use ClearML logging |
comet |
True |
bool |
Si utilizar Comet ML para el seguimiento y visualización de experimentos |
dvc |
True |
bool |
Si utilizar DVC para el seguimiento de experimentos y el control de versiones |
hub |
True |
bool |
Si utilizar la integración Ultralytics HUB |
mlflow |
True |
bool |
Whether to use MLFlow for experiment tracking |
neptune |
True |
bool |
Whether to use Neptune for experiment tracking |
raytune |
True |
bool |
Whether to use Ray Tune for hyperparameter tuning |
tensorboard |
True |
bool |
Whether to use TensorBoard for visualization |
wandb |
True |
bool |
Whether to use Weights & Biases logging |
vscode_msg |
True |
bool |
When VS Code terminal detected, enables prompt to download Ultralytics-Snippets extension. |
A medida que navegas por tus proyectos o experimentos, asegúrate de revisar estos ajustes para comprobar que están configurados de forma óptima para tus necesidades.
PREGUNTAS FRECUENTES
How do I install Ultralytics using pip?
To install Ultralytics with pip, execute the following command:
Para la última versión estable, esto instalará la versión ultralytics
directamente desde el índice de paquetes Python (PyPI). Para más detalles, visita la página ultralytics paquete en PyPI.
También puedes instalar la última versión de desarrollo directamente desde GitHub:
Asegúrate de tener instalada en tu sistema la herramienta de línea de comandos Git.
Can I install Ultralytics YOLO using conda?
Yes, you can install Ultralytics YOLO using conda by running:
Este método es una excelente alternativa a pip y garantiza la compatibilidad con otros paquetes de tu entorno. Para entornos CUDA , es mejor instalar ultralytics
, pytorch
y pytorch-cuda
simultáneamente para resolver cualquier conflicto:
Para más instrucciones, visita la guía de inicio rápido de Conda.
What are the advantages of using Docker to run Ultralytics YOLO?
Using Docker to run Ultralytics YOLO provides an isolated and consistent environment, ensuring smooth performance across different systems. It also eliminates the complexity of local installation. Official Docker images from Ultralytics are available on Docker Hub, with different variants tailored for GPU, CPU, ARM64, NVIDIA Jetson, and Conda environments. Below are the commands to pull and run the latest image:
# 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 más detalladas sobre Docker, consulta la guía de inicio rápido de Docker.
¿Cómo clono el repositorio Ultralytics para el desarrollo?
Para clonar el repositorio Ultralytics y configurar un entorno de desarrollo, sigue estos pasos:
# 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 .
Este enfoque te permite contribuir al proyecto o experimentar con el código fuente más reciente. Para más detalles, visita el repositorio GitHub de Ultralytics .
Why should I use Ultralytics YOLO CLI?
The Ultralytics YOLO command line interface (CLI) simplifies running object detection tasks without requiring Python code. You can execute single-line commands for tasks like training, validation, and prediction straight from your terminal. The basic syntax for yolo
comandos es:
Por ejemplo, para entrenar un modelo de detección con unos parámetros determinados:
Consulta la Guía completa CLI para explorar más comandos y ejemplos de uso.