Commencer

Comment installer Ultralytics YOLO avec Conda

Ultralytics package for Conda from conda-forge

Ce guide explique comment configurer un environnement Conda pour tes projets Ultralytics. Conda est un système open source de gestion des paquets et des environnements, qui constitue une alternative à pip pour installer des paquets et des dépendances. Ses environnements isolés le rendent particulièrement adapté à la science des données et à l’apprentissage automatique.

Version de Conda Téléchargements Conda Recette Conda Plateformes Conda

Ce guide explique comment créer un environnement avec Ultralytics, exécuter l’inférence, utiliser l’image Docker Conda et accélérer les installations avec libmamba.

Prérequis#

Anaconda ou Miniconda doit être installé sur ton système. Si ce n’est pas le cas, télécharge et installe-le depuis Anaconda ou Miniconda.

Installer Ultralytics#

Crée un nouvel environnement Conda avec Ultralytics depuis le canal conda-forge, puis active-le. Installe Python, Ultralytics et torchvision (qui n’est pas une dépendance du paquet conda-forge) dans la même commande pour que conda résolve ensemble des versions actuelles et compatibles :

conda create --name ultralytics-env -c conda-forge python=3.11 ultralytics torchvision -y
conda activate ultralytics-env
Installation dans un environnement CUDA

Si tu travailles dans un environnement compatible avec CUDA, ajoute le métapaquet pytorch-gpu de conda-forge à la même commande pour que conda résolve une version de PyTorch compatible avec CUDA :

conda create --name ultralytics-env -c conda-forge python=3.11 ultralytics torchvision pytorch-gpu -y
conda activate ultralytics-env

Remarque sur l’environnement ROCm (GPU AMD, Linux)#

Pour accélérer les calculs sur GPU AMD sous Linux avec ROCm, les wheels ROCm de PyTorch ne sont pas disponibles via Conda et doivent être installées avec pip. Utilise un environnement Conda pour l’isolation, puis installe PyTorch ROCm et Ultralytics via pip :

conda create --name ultralytics-rocm python=3.12 -y
conda activate ultralytics-rocm
pip install "torch[device-all]" "torchvision[device-all]" --index-url https://stable.repo.amd.com/rocm/whl-next/
pip install ultralytics

Consulte la page Premiers pas avec PyTorch pour connaître les versions ROCm prises en charge et le guide des GPU AMD pour configurer l’inférence MIGraphX, qui nécessite Python 3.11 ou une version ultérieure sous Linux x86_64.

Utiliser Ultralytics#

Une fois Ultralytics installé, tu peux exécuter la détection d’objets, la segmentation d’instances et d’autres tâches de vision. Par exemple, pour lancer l’inférence sur une image :

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # initialiser le modèle
results = model("path/to/image.jpg")  # effectuer l’inférence
results[0].show()  # afficher les résultats de la première image

Image Docker Conda d’Ultralytics#

Le Dockerfile Conda utilise PyTorch 2.13, torchvision 0.28 et CUDA 13.0 de conda-forge. Les versions conda-forge peuvent paraître après les versions pip de PyTorch utilisées par l’image GPU standard. La publication automatisée de latest-conda est désactivée ; tu dois donc compiler l’image actuelle localement :

git clone https://github.com/ultralytics/ultralytics
cd ultralytics
t=ultralytics-conda:local
sudo docker build -f docker/Dockerfile-conda -t $t .

Exécute l’image :

# Run the Ultralytics image in a container with GPU support
sudo docker run -it --ipc=host --device nvidia.com/gpu=all $t                         # all GPUs
sudo docker run -it --ipc=host --device nvidia.com/gpu=2 --device nvidia.com/gpu=3 $t # specify GPUs

Sous Linux, les demandes de périphériques CDI nécessitent Docker >= 28.2.0 et NVIDIA Container Toolkit >= 1.18. L’option obsolète --gpus all peut entraîner la perte de l’accès au GPU après le rechargement du démon hôte ; mets donc à niveau les anciens hôtes Linux et utilise plutôt --device. Consulte le Guide de démarrage rapide de Docker pour plus de détails.

Accélérer l’installation avec Libmamba#

libmamba est un solveur rapide, multiplateforme et sensible aux dépendances qui remplace le solveur classique de Conda. Conda 23.10 et les versions ultérieures utilisent déjà libmamba comme solveur par défaut : la plupart des installations sont donc plus rapides dès le départ.

Si tu utilises une ancienne version de Conda, tu peux activer libmamba manuellement :

  1. Commence par installer le paquet conda-libmamba-solver :

    conda install conda-libmamba-solver
  2. Configure ensuite Conda pour utiliser libmamba comme solveur :

    conda config --set solver libmamba

Tu as configuré avec succès un environnement Conda et installé le paquet Ultralytics ; tu peux maintenant découvrir ses fonctionnalités. Pour des tutoriels et des exemples plus avancés, consulte la documentation Ultralytics.

FAQ#

  • Crée l’environnement avec Python et Ultralytics depuis le canal conda-forge en une seule commande, afin que conda résolve les deux ensemble, puis active-le :

    conda create --name ultralytics-env -c conda-forge python=3.11 ultralytics torchvision -y
    conda activate ultralytics-env
  • Conda est un système de gestion des packages et des environnements qui offre plusieurs avantages par rapport à pip. Il gère efficacement les dépendances et garantit la compatibilité de toutes les bibliothèques nécessaires. Les environnements isolés de Conda évitent les conflits entre packages, ce qui est essentiel dans les projets de science des données et d’apprentissage automatique. De plus, Conda prend en charge la distribution de packages binaires, ce qui accélère l’installation.

  • Oui. Crée l’environnement avec ultralytics et le métapackage conda-forge pytorch-gpu dans la même commande afin qu’une version de PyTorch compatible avec CUDA soit résolue en même temps :

    conda create --name ultralytics-env -c conda-forge python=3.11 ultralytics torchvision pytorch-gpu -y
    conda activate ultralytics-env

    Cette configuration active l’accélération GPU, essentielle pour les tâches intensives comme l’entraînement et l’inférence de modèles d’apprentissage profond. Pour en savoir plus, consulte le guide d’installation Ultralytics.

  • Le Dockerfile Conda fournit un environnement conda-forge isolé avec PyTorch compatible avec CUDA. Suis les instructions de compilation locale, puis lance l’image avec les options GPU qui y sont indiquées. L’image GPU standard publiée et d’autres solutions sont répertoriées dans le guide Docker.

  • Conda 23.10 et les versions ultérieures utilisent déjà par défaut le solveur rapide libmamba. Avec une ancienne version de Conda, tu peux l’activer manuellement en installant d’abord le paquet conda-libmamba-solver :

    conda install conda-libmamba-solver

    Configure ensuite Conda pour utiliser libmamba comme solveur :

    conda config --set solver libmamba

    Cette configuration assure une gestion des packages plus rapide et efficace.

Commentaires6

Pose une question, partage tes résultats ou aide quelqu’un d’autre.

  1. najwazkiyahhGitHub

    Hi! I'm the new to using YOLO. I have python 3.12 on my laptop because my previous exam need it-the latest version of python. I want to install ultralytics YOLOv11, should I downgrade my python version from 3.12 into 3.11? Or I should downgrade my python version to the recommended requirement, 3.8? Thank you, hope you (anybody) can answer my confusion.

    1. Glenn JocherUltralytics

      @najwazkiyahh you don't need to downgrade your system Python! 😊 Simply create a Conda environment with Python 3.11 using conda create --name yolo_env python=3.11, then activate it and install Ultralytics. This keeps your existing Python 3.12 intact while giving you a compatible YOLO11 environment. For full steps, see the Conda Quickstart Guide for Ultralytics.

      We recommend this approach as it maintains version isolation while allowing you to work with both Python versions seamlessly. Welcome to the YOLO community! 🚀

  2. MalvinlamGitHub

    Hi is there a way to install the yolov8 dependencies using Anaconda prompt to the virtual environment other than pip install ultralytics? For example I already downloaded the ultralytics package from GitHub and opened it as project folder using PyCharm. Is there a way to only install the required libraries?

    1. Glenn JocherUltralytics(modifié)

      @Malvinlam hi there! 👋

      Absolutely, you can install the required dependencies for Ultralytics using Conda without relying on pip install ultralytics. Here's a step-by-step guide to help you set up your Conda environment and install the necessary libraries:

      1. Create a New Conda Environment: First, create a new Conda environment with Python 3.11 (or your preferred version):

        conda create --name ultralytics-env python=3.11 -y
      2. Activate the Environment: Activate your newly created environment:

        conda activate ultralytics-env
      3. Install Required Libraries: The repository no longer has a requirements.txt; its dependencies are declared in pyproject.toml. From the root of your cloned repository, run:

        pip install -e .

        Alternatively, if you want to install specific packages manually, you can use:

        conda install -c conda-forge numpy pandas matplotlib opencv scikit-learn
        conda install -c pytorch pytorch torchvision torchaudio
      4. Note on CUDA Environment: If you're working in a CUDA-enabled environment, it's a good practice to install pytorch and pytorch-cuda together to resolve any conflicts:

        conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision torchaudio pytorch-cuda=11.8
      5. Using Ultralytics: With the dependencies installed, you can now start using Ultralytics. For example, to perform inference with YOLO26:

        from ultralytics import YOLO
        
        model = YOLO("yolo26n.pt")  # initialize model
        results = model("path/to/image.jpg")  # perform inference
        results[0].show()  # display results for the first image

      For more detailed instructions, you can refer to our Conda Quickstart Guide.

      If you encounter any issues or have further questions, feel free to ask. Happy coding! 😊

  3. nadinatorGitHub

    Does the python version have to be 3.8? Can it be a newer version? What would/wouldn't break if we used 3.11, for example (I'm thinking of the [ray]tuning feature)?

    1. Glenn JocherUltralytics

      Hey there! 😊

      You can definitely use Python versions newer than 3.8, including 3.11. However, it's important to note that while most features should work fine, there might be some compatibility issues with newer Python versions, especially with external libraries or specific features like [ray] tuning.

      If you're keen on using Python 3.11, I'd recommend testing the key functionalities you plan to use in your project to ensure everything runs smoothly. For the [ray] tuning feature, you might want to check Ray's documentation or GitHub issues for any known compatibility concerns with Python 3.11.

      Here's a quick example of how you might set up your environment with Python 3.11:

      conda create --name ultralytics-env python=3.11 -y
      conda activate ultralytics-env
      conda install -c conda-forge ultralytics

      And remember, if you encounter any issues, the Ultralytics community is here to help! 🚀