Saltar al contenido

Inicio r谩pido

Instala Ultralytics

Ultralytics proporciona varios m茅todos de instalaci贸n, como pip, conda y Docker. Instala YOLOv8 mediante el ultralytics pip para la 煤ltima versi贸n estable o clonando el paquete Ultralytics Repositorio GitHub para obtener la versi贸n m谩s actualizada. Se puede utilizar Docker para ejecutar el paquete en un contenedor aislado, evitando la instalaci贸n local.



Observa: Ultralytics YOLO Gu铆a de inicio r谩pido

Instala

PyPI - Python Versi贸n

Instala el ultralytics mediante pip, o actualiza una instalaci贸n existente ejecutando pip install -U ultralytics. Visita el 脥ndice de Paquetes Python (PyPI) para m谩s detalles sobre el ultralytics paquete: https://pypi.org/project/ultralytics/.

PyPI - Versi贸n Descargas

# Install the ultralytics package from PyPI
pip install ultralytics

Tambi茅n puedes instalar el ultralytics directamente desde GitHub repositorio. Esto puede ser 煤til si quieres la 煤ltima versi贸n de desarrollo. Aseg煤rate de tener instalada en tu sistema la herramienta de l铆nea de comandos Git. La p谩gina @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 tambi茅n puede utilizarse para la instalaci贸n. Visita Anaconda para m谩s detalles en https://anaconda.org/conda-forge/ultralytics. Ultralytics el repositorio feedstock para actualizar el paquete conda est谩 en https://github.com/conda-forge/ultralytics-feedstock/.

Versi贸n 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 pr谩ctica 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 煤ltimo para permitir que anule el CPU-espec铆fico 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 im谩genes Docker de Conda tambi茅n est谩n disponibles en DockerHub. Estas im谩genes 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 est谩s interesado en contribuir al desarrollo o deseas experimentar con el c贸digo fuente m谩s reciente. Despu茅s de clonar, navega hasta el directorio e instala el paquete en modo editable -e utilizando pip.

脷ltima confirmaci贸n 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 im谩genes de Hub DockerCon Docker, no s贸lo evitas la complejidad de la instalaci贸n local, sino que tambi茅n te beneficias del acceso a un entorno de trabajo verificado. Ultralytics ofrece 5 im谩genes Docker principales compatibles, cada una de ellas dise帽ada para proporcionar una gran compatibilidad y eficacia para diferentes plataformas y casos de uso:

Versi贸n de la imagen Docker Tirones de Docker

  • Dockerfile: imagen GPU recomendada para la formaci贸n.
  • Dockerfile-arm64: Optimizado para la arquitectura ARM64, que permite el despliegue en dispositivos como Raspberry Pi y otras plataformas basadas en ARM64.
  • Dockerfile-cpu: Versi贸n basada en Ubuntu CPU-s贸lo 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 m铆nima con s贸lo Python y las dependencias necesarias, ideal para aplicaciones ligeras y desarrollo.
  • Dockerfile-conda: Basado en Miniconda3 con instalaci贸n conda del paquete ultralytics .

A continuaci贸n se indican los comandos para obtener la 煤ltima 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 煤ltima versi贸n de ultralytics imagen. En -it asigna un pseudo-TTY y mantiene stdin abierto, lo que te permite interactuar con el contenedor. La opci贸n --ipc=host establece el espacio de nombres IPC (comunicaci贸n entre procesos) en el host, que es esencial para compartir memoria entre procesos. La direcci贸n --gpus all permite acceder a todas las GPUs disponibles dentro del contenedor, lo que es crucial para tareas que requieren computaci贸n en GPU .

Nota: Para trabajar con archivos de tu m谩quina local dentro del contenedor, utiliza vol煤menes 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 m谩quina 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 Gu铆a 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 Los requisitos var铆an seg煤n el sistema operativo y los requisitos de CUDA , por lo que se recomienda instalar primero PyTorch siguiendo las instrucciones de https://pytorch.org/get-started/locally.

PyTorch Instrucciones de instalaci贸n

Utiliza Ultralytics con CLI

La interfaz de l铆nea de comandos Ultralytics (CLI) permite ejecutar comandos sencillos de una sola l铆nea sin necesidad de un entorno Python . CLI no requiere personalizaci贸n ni c贸digo Python . Puedes simplemente ejecutar todas las tareas desde el terminal con el comando yolo mando. Echa un vistazo a CLI Gu铆a para saber m谩s sobre c贸mo utilizar YOLOv8 desde la l铆nea de comandos.

Ejemplo

Ultralytics yolo utilizan la siguiente sintaxis:

yolo TASK MODE ARGS

Ver todo ARGS en el pleno Gu铆a de configuraci贸n o con el yolo cfg CLI mando.

Entrena un modelo de detecci贸n durante 10 茅pocas con una tasa_de_aprendizaje inicial de 0,01

yolo train data=coco8.yaml model=yolov8n.pt epochs=10 lr0=0.01

Predecir un v铆deo de YouTube utilizando un modelo de segmentaci贸n preentrenado a tama帽o de imagen 320:

yolo predict model=yolov8n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320

Val un modelo de detecci贸n preentrenado a tama帽o de lote 1 y tama帽o de imagen 640:

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

Exporta un modelo de clasificaci贸n YOLOv8n al formato ONNX con un tama帽o 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 versi贸n, ver la configuraci贸n, ejecutar comprobaciones y mucho m谩s:

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=yolov8n.pt imgsz=640 conf=0.25
  • yolo predict model yolov8n.pt imgsz 640 conf 0.25 鉂 (falta =)
  • yolo predict model=yolov8n.pt, imgsz=640, conf=0.25 鉂 (no utilices ,)
  • yolo predict --model yolov8n.pt --imgsz 640 --conf 0.25 鉂 (no utilices --)

CLI Gu铆a

Utiliza Ultralytics con Python

YOLOv8La interfaz de Python permite una integraci贸n perfecta en tus proyectos de Python , facilitando la carga, ejecuci贸n y procesamiento de los resultados del modelo. Dise帽ada pensando en la sencillez y la facilidad de uso, la interfaz Python permite a los usuarios implementar r谩pidamente la detecci贸n, segmentaci贸n y clasificaci贸n de objetos en sus proyectos. Esto hace que la interfaz Python de YOLOv8 sea una herramienta inestimable para cualquiera que desee incorporar estas funcionalidades a sus proyectos Python .

Por ejemplo, los usuarios pueden cargar un modelo, entrenarlo, evaluar su rendimiento en un conjunto de validaci贸n e incluso exportarlo al formato ONNX con s贸lo unas l铆neas de c贸digo. Consulta la Gu铆aPython para obtener m谩s informaci贸n sobre el uso de YOLOv8 en tus proyectos Python .

Ejemplo

from ultralytics import YOLO

# Create a new YOLO model from scratch
model = YOLO("yolov8n.yaml")

# Load a pretrained YOLO model (recommended for training)
model = YOLO("yolov8n.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 Gu铆a

Ultralytics Ajustes

La biblioteca Ultralytics proporciona un potente sistema de gesti贸n de ajustes que permite un control detallado de tus experimentos. Utilizando la funci贸n SettingsManager alojados en el ultralytics.utils los usuarios pueden acceder f谩cilmente a sus ajustes y modificarlos. 脡stos se almacenan en un archivo YAML y pueden verse o modificarse directamente en el entorno Python o a trav茅s de la interfaz de l铆nea de comandos (CLI).

Inspeccionar ajustes

Para conocer la configuraci贸n actual de tus ajustes, puedes verlos directamente:

Ver ajustes

Puedes utilizar Python para ver tus ajustes. Empieza importando el archivo settings del objeto ultralytics m贸dulo. 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 l铆nea de comandos te permite comprobar tu configuraci贸n con un simple comando:

yolo settings

Modificar ajustes

Ultralytics permite a los usuarios modificar f谩cilmente sus ajustes. Los cambios se pueden realizar de las siguientes formas:

Actualizar ajustes

Dentro del entorno Python , llama a la funci贸n update del m茅todo settings para cambiar tu configuraci贸n:

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 l铆nea de comandos, los siguientes comandos te permitir谩n modificar tu configuraci贸n:

# 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 visi贸n general de los ajustes disponibles en Ultralytics. Cada ajuste se describe con un valor de ejemplo, el tipo de dato y una breve descripci贸n.

Nombre Valor de ejemplo Tipo de datos Descripci贸n
settings_version '0.0.4' str Ultralytics versi贸n deconfiguraci贸n (diferente de la versi贸npip 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 煤nico de la configuraci贸n actual
sync True bool Si se sincronizan los an谩lisis y los accidentes con el HUB
api_key '' str Ultralytics Clave API HUB
clearml True bool Si se utiliza el registro ClearML
comet True bool Si utilizar Comet ML para el seguimiento y visualizaci贸n de experimentos
dvc True bool Si utilizar DVC para el seguimiento de experimentos y el control de versiones
hub True bool Si utilizar la integraci贸n Ultralytics HUB
mlflow True bool Si utilizar MLFlow para el seguimiento de experimentos
neptune True bool Si utilizar Neptune para el seguimiento de los experimentos
raytune True bool Si utilizar Ray Tune para el ajuste de hiperpar谩metros
tensorboard True bool Si utilizar TensorBoard para la visualizaci贸n
wandb True bool Si se utiliza el registro Weights & Biases

A medida que navegas por tus proyectos o experimentos, aseg煤rate de revisar estos ajustes para comprobar que est谩n configurados de forma 贸ptima para tus necesidades.

PREGUNTAS FRECUENTES

驴C贸mo instalo Ultralytics YOLOv8 utilizando pip?

Para instalar Ultralytics YOLOv8 con pip, ejecuta el siguiente comando:

pip install ultralytics

Para la 煤ltima versi贸n estable, esto instalar谩 la versi贸n ultralytics directamente desde el 铆ndice de paquetes Python (PyPI). Para m谩s detalles, visita la p谩gina ultralytics paquete en PyPI.

Tambi茅n puedes instalar la 煤ltima versi贸n de desarrollo directamente desde GitHub:

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

Aseg煤rate de tener instalada en tu sistema la herramienta de l铆nea de comandos Git.

驴Puedo instalar Ultralytics YOLOv8 utilizando conda?

S铆, puedes instalar Ultralytics YOLOv8 utilizando conda ejecutando:

conda install -c conda-forge ultralytics

Este m茅todo 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 simult谩neamente para resolver cualquier conflicto:

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

Para m谩s instrucciones, visita la gu铆a de inicio r谩pido de Conda.

驴Cu谩les son las ventajas de utilizar Docker para ejecutar Ultralytics YOLOv8 ?

Utilizar Docker para ejecutar Ultralytics YOLOv8 proporciona un entorno aislado y consistente, garantizando un rendimiento sin problemas en diferentes sistemas. Tambi茅n elimina la complejidad de la instalaci贸n local. Las im谩genes Docker oficiales de Ultralytics est谩n disponibles en Docker Hub, con distintas variantes adaptadas a los entornos GPU, CPU, ARM64, NVIDIA Jetson y Conda. A continuaci贸n se indican los comandos para extraer y ejecutar la imagen m谩s 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 m谩s detalladas sobre Docker, consulta la gu铆a de inicio r谩pido de Docker.

驴C贸mo 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 c贸digo fuente m谩s reciente. Para m谩s detalles, visita el repositorio GitHub de Ultralytics .

驴Por qu茅 debo utilizar Ultralytics YOLOv8 CLI ?

La interfaz de l铆nea de comandos Ultralytics YOLOv8 (CLI) simplifica la ejecuci贸n de tareas de detecci贸n de objetos sin necesidad de c贸digo Python . Puedes ejecutar comandos de una sola l铆nea para tareas como el entrenamiento, la validaci贸n y la predicci贸n directamente desde tu terminal. La sintaxis b谩sica para yolo comandos es:

yolo TASK MODE ARGS

Por ejemplo, para entrenar un modelo de detecci贸n con unos par谩metros determinados:

yolo train data=coco8.yaml model=yolov8n.pt epochs=10 lr0=0.01

Consulta la Gu铆a completa CLI para explorar m谩s comandos y ejemplos de uso.



Creado 2023-11-12, Actualizado 2024-07-04
Autores: glenn-jocher (13), Burhan-Q (2), RizwanMunawar (2), Laughing-q (1), AyushExel (1)

Comentarios