Inicio rápido

Instale Ultralytics

Ultralytics proporciona varios métodos de instalación, incluyendo pip, conda y Docker. Instale YOLO a través de la ultralytics pip para la última versión estable o clonando el paquete Ultralytics Repositorio GitHub para obtener la versión más actualizada. Puede utilizarse Docker para ejecutar el paquete en un contenedor aislado, evitando la instalación local.

Observa: Ultralytics YOLO Guía de inicio rápido

Instale

Instalación Pip (recomendada)Instalación de CondaClon GitDocker

Instale el ultralytics mediante pip, o actualice una instalación existente ejecutando pip install -U ultralytics. Visite el Python Package Index (PyPI) para más detalles sobre el ultralytics paquete: https://pypi.org/project/ultralytics/.

# Install the ultralytics package from PyPI
pip install ultralytics

También puede instalar el ultralytics directamente desde GitHub repositorio. Esto puede ser útil si quieres la última versión de desarrollo. Asegúrese de tener la herramienta de línea de comandos Git instalada en su sistema. La página @main instala la aplicación main rama y puede modificarse a otra rama, es decir @my-brancho se elimina por completo 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. Visite 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

Nota

Si está 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 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 de 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

Clonar el ultralytics si está interesado en contribuir al desarrollo o desea experimentar con el código fuente más reciente. Después de clonar, navegue hasta el directorio e instale el paquete en modo editable -e usando 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 .

Utilice 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 ultralytics imágenes de Centro Dockerno sólo evita la complejidad de la instalación local, sino que también se beneficia del acceso a un entorno de trabajo verificado. Ultralytics ofrece 5 imágenes Docker principales compatibles, cada una de ellas diseñada para proporcionar una alta compatibilidad y eficiencia para diferentes plataformas y casos de uso:

Dockerfile: GPU imagen recomendada para la formación.
Dockerfile-arm64: Optimizado para la arquitectura ARM64, permite el despliegue en dispositivos como Raspberry Pi y otras plataformas basadas en ARM64.
Dockerfile-cpu: Basado en Ubuntu CPU-sólo versión adecuada para la inferencia y entornos sin GPU.
Dockerfile-jetson: Adaptado para dispositivos NVIDIA Jetson, integrando soporte GPU optimizado para estas plataformas.
Dockerfile-python: Imagen mínima con solo 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 muestran 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, permitiéndole interactuar con el contenedor. La opción --ipc=host establece el espacio de nombres IPC (Inter-Process Communication) en el host, que es esencial para compartir memoria entre procesos. La dirección --gpus all permite acceder a todas las GPU disponibles dentro del contenedor, lo que resulta crucial para tareas que requieren computación en GPU .

Nota: Para trabajar con archivos en su máquina local dentro del contenedor, utilice 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 su máquina local, y /path/in/container con la ruta deseada dentro del contenedor Docker para su accesibilidad.

Para un uso avanzado de Docker, no dude en explorar la guíaUltralytics Docker Guide.

Véase el ultralytics pyproject.toml para obtener una lista de dependencias. Tenga en cuenta que todos los ejemplos anteriores instalan todas las dependencias necesarias.

Consejo

PyTorch Los requisitos varían según 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.

Utilice 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 . Basta con ejecutar todas las tareas desde el terminal con el comando yolo mando. Compruebe el CLI Guía para obtener más información sobre el uso de YOLO desde la línea de comandos.

Ejemplo

SintaxisTrenPredecirValExportarEspecial

Ultralytics yolo utilizan la siguiente sintaxis:

yolo TASK MODE ARGS

TASK (opcional) es uno de (detectar, segmento, clasificar, posar, obb)
MODE (obligatorio) es uno de (tren, val, predecir, exportar, pista, referencia)
ARGS (opcional) son arg=value pares como imgsz=640 que anulan los valores predeterminados.

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

Entrenar un modelo de detección durante 10 epochs con un learning_rate inicial de 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

Exportar un modelo de clasificación yolo11n al formato ONNX con un tamaño de imagen de 224 por 128 (no se requiere TASK)

yolo export model=yolo11n-cls.pt format=onnx imgsz=224,128

Ejecute 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 utilice -- prefijos argumentales 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 utilizar ,)
yolo predict --model yolo11n.pt --imgsz 640 --conf 0.25 ❌ (no utilizar --)

CLI Guía

Utilice Ultralytics con Python

YOLOLa interfaz de Python permite una integración perfecta en sus proyectos de Python , facilitando la carga, ejecución y procesamiento de los resultados del modelo. Diseñada pensando en la simplicidad y facilidad de uso, la interfaz Python permite a los usuarios implementar rápidamente la detección, segmentación y clasificación de objetos en sus proyectos. Esto convierte a la interfaz Python de YOLO en 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 validación e incluso exportarlo al formato ONNX con sólo unas pocas líneas de código. Consulte la guíaPython para obtener más información sobre el uso de YOLO en sus proyectos Python .

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 ofrece un potente sistema de gestión de ajustes que permite un control preciso de los experimentos. Mediante el uso de la biblioteca SettingsManager alojados en el ultralytics.utils los usuarios pueden acceder fácilmente a su configuración y modificarla. Éstos se almacenan en un archivo JSON en el directorio de configuración de usuario del entorno, y pueden visualizarse o modificarse directamente en el entorno Python o a través de la interfaz de línea de comandos (CLI).

Inspección de ajustes

Para conocer la configuración actual de tus ajustes, puedes verlos directamente:

Ver configuración

PythonCLI

Puede utilizar Python para ver su configuración. Empiece importando el archivo settings del objeto ultralytics módulo. Imprima y devuelva los ajustes utilizando 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 le permite comprobar su configuración con un simple comando:

yolo settings

Modificar la configuración

Ultralytics permite a los usuarios modificar fácilmente su configuración. Los cambios pueden realizarse de las siguientes maneras:

Actualizar ajustes

PythonCLI

En el entorno Python , llame a la función update en el settings para cambiar su 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 prefiere utilizar la interfaz de línea de comandos, los siguientes comandos le permitirán modificar su 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 ofrece una visión general de los ajustes disponibles en Ultralytics. Cada ajuste se describe junto con un valor de ejemplo, el tipo de datos 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`	Sincronización de análisis y accidentes con HUB
`api_key`	`''`	`str`	Ultralytics Clave API HUB
`clearml`	`True`	`bool`	Utilizar o no ClearML registro
`comet`	`True`	`bool`	Si se utiliza Comet ML para el seguimiento y la visualización de experimentos
`dvc`	`True`	`bool`	Utilización de DVC para el seguimiento de experimentos y el control de versiones
`hub`	`True`	`bool`	Si se utiliza la integración Ultralytics HUB
`mlflow`	`True`	`bool`	Utilización de MLFlow para el seguimiento de experimentos
`neptune`	`True`	`bool`	Si se utiliza Neptune para el seguimiento de experimentos
`raytune`	`True`	`bool`	Utilización de Ray Tune para el ajuste de hiperparámetros
`tensorboard`	`True`	`bool`	Si se utiliza TensorBoard para la visualización
`wandb`	`True`	`bool`	Utilizar o no Weights & Biases registro
`vscode_msg`	`True`	`bool`	Cuando se detecta el terminal VS Code, se habilita el aviso para descargar la extensión Ultralytics-Snippets.

A medida que navegue por sus proyectos o experimentos, asegúrese de revisar estos ajustes para asegurarse de que están configurados de forma óptima para sus necesidades.

PREGUNTAS FRECUENTES

¿Cómo se instala Ultralytics con pip?

Para instalar Ultralytics con pip, ejecute el siguiente comando:

pip install ultralytics

Para la última versión estable, se instalará la versión ultralytics directamente desde Python Package Index (PyPI). Para más detalles, visite la página ultralytics en PyPI.

También puede instalar la última versión de desarrollo directamente desde GitHub:

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

Asegúrese de tener la herramienta de línea de comandos Git instalada en su sistema.

¿Puedo instalar Ultralytics YOLO utilizando conda?

Sí, puedes instalar Ultralytics YOLO usando conda ejecutando:

conda install -c conda-forge ultralytics

Este método es una excelente alternativa a pip y garantiza la compatibilidad con otros paquetes de su entorno. Para entornos CUDA , lo mejor es 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.

¿Cuáles son las ventajas de utilizar Docker para ejecutar Ultralytics YOLO ?

El uso de Docker para ejecutar Ultralytics YOLO proporciona un entorno aislado y coherente, lo que garantiza un rendimiento sin problemas en diferentes sistemas. También elimina la complejidad de la instalación local. Las imágenes Docker oficiales de Ultralytics están disponibles en Docker Hub, con diferentes variantes adaptadas a los entornos GPU, CPU, ARM64, NVIDIA Jetson y Conda. A continuación se muestran los comandos para extraer y ejecutar la última imagen:

# 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, consulte 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, siga 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 le permite contribuir al proyecto o experimentar con el código fuente más reciente. Para más detalles, visite el repositorio GitHub deUltralytics .

¿Por qué debería utilizar Ultralytics YOLO CLI ?

La interfaz de línea de comandos Ultralytics YOLO (CLI) simplifica la ejecución de tareas de detección de objetos sin necesidad de código Python . Puede ejecutar comandos de una sola línea para tareas como el entrenamiento, la validación y la predicción directamente desde su terminal. La sintaxis básica de yolo comandos es:

yolo TASK MODE ARGS

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

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

Consulta la guía completa CLI para conocer más comandos y ejemplos de uso.

Creado hace 1 año ✏️ Actualizado hace 1 mes