Saltar al contenido

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

PyPI - Python Versión

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/.

PyPI - Versión Descargas

# 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/.

Versión Conda Descargas Conda Receta Conda Plataformas Conda

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

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.

# 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.

Última confirmación de GitHub Actividad de commit en GitHub

# 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:

Versión de la imagen Docker Tirones de Docker

  • 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.

PyTorch Instrucciones de instalación

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:

yolo TASK MODE ARGS

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

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

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

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

Export a yolo11n classification model to ONNX format at image size 224 by 128 (no TASK required)

yolo export model=yolo11n-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

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 --)

CLI Guía

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")

Python Guía

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:

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

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:

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

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:

pip install ultralytics

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:

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

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:

conda install -c conda-forge ultralytics

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, pytorchy pytorch-cuda simultáneamente para resolver cualquier conflicto:

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

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:

yolo TASK MODE ARGS

Por ejemplo, para entrenar un modelo de detección con unos parámetros determinados:

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

Consulta la Guía completa CLI para explorar más comandos y ejemplos de uso.


📅 Created 11 months ago ✏️ Updated 7 days ago

Comentarios