Comment installer Ultralytics YOLO avec Conda#

Ce guide explique comment configurer un environnement Conda pour tes projets Ultralytics. Conda est un système open source de gestion des packages et des environnements qui constitue une excellente alternative à pip pour installer des packages et des dépendances. Ses environnements isolés le rendent particulièrement adapté à la science des données et à l’apprentissage automatique. Pour en savoir plus, consulte le package Ultralytics Conda sur Anaconda et le dépôt feedstock d’Ultralytics sur GitHub pour les mises à jour du package.

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

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 commencer à utiliser ses fonctionnalités avancées de détection d’objets, de segmentation d’instance et bien plus encore. Par exemple, pour effectuer une prédiction sur une image, tu peux exécuter :

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#