Inicio rápido
Instalar Ultralytics
Ultralytics ofrece varios métodos de instalación incluyendo pip, conda y Docker. Instala YOLOv8 a través del paquete ultralytics
de pip para la última versión estable o clonando el repositorio de GitHub de Ultralytics para obtener la versión más actualizada. Docker se puede utilizar para ejecutar el paquete en un contenedor aislado, evitando la instalación local.
Instalar
Instala el paquete ultralytics
usando pip o actualiza una instalación existente ejecutando pip install -U ultralytics
. Visita el Índice de Paquetes de Python (PyPI) para más detalles sobre el paquete ultralytics
: https://pypi.org/project/ultralytics/.
También puedes instalar el paquete ultralytics
directamente del repositorio en GitHub. Esto puede ser útil si quieres la última versión de desarrollo. Asegúrate de tener la herramienta de línea de comandos Git instalada en tu sistema. El comando @main
instala la rama main
y puede modificarse a otra rama, es decir, @my-branch
, o eliminarse por completo para volver por defecto a la rama 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. El repositorio de paquetes de alimentación de Ultralytics para actualizar el paquete de conda está en https://github.com/conda-forge/ultralytics-feedstock/.
Nota
Si estás instalando 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 de conda resuelva cualquier conflicto, o en su defecto instalar pytorch-cuda
al final para permitir que sobrescriba el paquete específico de CPU pytorch
si es necesario.
Imagen Docker de Conda
Las imágenes Docker de Conda de Ultralytics también están disponibles en DockerHub. Estas imágenes están basadas en Miniconda3 y son una manera simple de comenzar a usar ultralytics
en un entorno Conda.
# Establecer el nombre de la imagen como una variable
t=ultralytics/ultralytics:latest-conda
# Descargar la última imagen de ultralytics de Docker Hub
sudo docker pull $t
# Ejecutar la imagen de ultralytics en un contenedor con soporte para GPU
sudo docker run -it --ipc=host --gpus all $t # todas las GPUs
sudo docker run -it --ipc=host --gpus '"device=2,3"' $t # especificar GPUs
Clona el repositorio ultralytics
si estás interesado en contribuir al desarrollo o deseas experimentar con el código fuente más reciente. Después de clonar, navega al directorio e instala el paquete en modo editable -e
usando pip.
Consulta el archivo requirements.txt de ultralytics
para ver una lista de dependencias. Ten en cuenta que todos los ejemplos anteriores instalan todas las dependencias requeridas.
Watch: Ultralytics YOLO Quick Start Guide
Consejo
Los requisitos de PyTorch varían según el sistema operativo y los requisitos de CUDA, por lo que se recomienda instalar primero PyTorch siguiendo las instrucciones en https://pytorch.org/get-started/locally.
Usar Ultralytics con CLI
La interfaz de línea de comandos (CLI) de Ultralytics permite el uso de comandos simples de una sola línea sin la necesidad de un entorno de Python. La CLI no requiere personalización ni código Python. Puedes simplemente ejecutar todas las tareas desde el terminal con el comando yolo
. Consulta la Guía de CLI para aprender más sobre el uso de YOLOv8 desde la línea de comandos.
Ejemplo
Los comandos yolo
de Ultralytics usan la siguiente sintaxis:
yolo TAREA MODO ARGUMENTOS
Donde TAREA (opcional) es uno de [detectar, segmentar, clasificar]
MODO (requerido) es uno de [train, val, predict, export, track]
ARGUMENTOS (opcionales) son cualquier número de pares personalizados 'arg=valor' como 'imgsz=320' que sobrescriben los valores por defecto.
yolo cfg
Entrenar un modelo de detección durante 10 épocas con una tasa de aprendizaje inicial de 0.01
Predecir un video de YouTube usando un modelo de segmentación preentrenado con un tamaño de imagen de 320:
Validar un modelo de detección preentrenado con un tamaño de lote de 1 y un tamaño de imagen de 640:
Exportar un modelo de clasificación YOLOv8n a formato ONNX con un tamaño de imagen de 224 por 128 (no se requiere TAREA)
Advertencia
Los argumentos deben pasarse como pares arg=valor
, separados por un signo igual =
y delimitados por espacios entre pares. No utilices prefijos de argumentos
--
ni comas ,
entre los argumentos.
yolo predict model=yolov8n.pt imgsz=640 conf=0.25
✅yolo predict model yolov8n.pt imgsz 640 conf 0.25
❌yolo predict --model yolov8n.pt --imgsz 640 --conf 0.25
❌
Usar Ultralytics con Python
La interfaz de Python de YOLOv8 permite una integración perfecta en tus proyectos de Python, facilitando la carga, ejecución y procesamiento de la salida del modelo. Diseñada con sencillez y facilidad de uso en mente, la interfaz de Python permite a los usuarios implementar rápidamente la detección de objetos, segmentación y clasificación en sus proyectos. Esto hace que la interfaz de Python de YOLOv8 sea una herramienta invaluable para cualquier persona que busque incorporar estas funcionalidades en sus proyectos de Python.
Por ejemplo, los usuarios pueden cargar un modelo, entrenarlo, evaluar su rendimiento en un conjunto de validación e incluso exportarlo al formato ONNX con solo unas pocas líneas de código. Consulta la Guía de Python para aprender más sobre el uso de YOLOv8 dentro de tus proyectos de Python.
Ejemplo
from ultralytics import YOLO
# Crear un nuevo modelo YOLO desde cero
model = YOLO('yolov8n.yaml')
# Cargar un modelo YOLO preentrenado (recomendado para entrenamiento)
model = YOLO('yolov8n.pt')
# Entrenar el modelo usando el conjunto de datos 'coco128.yaml' durante 3 épocas
results = model.train(data='coco128.yaml', epochs=3)
# Evaluar el rendimiento del modelo en el conjunto de validación
results = model.val()
# Realizar detección de objetos en una imagen usando el modelo
results = model('https://ultralytics.com/images/bus.jpg')
# Exportar el modelo al formato ONNX
success = model.export(format='onnx')