Comment installer Ultralytics YOLO avec Conda#
Ce guide explique comment configurer un environnement Conda pour tes projets Ultralytics. Conda est un système de gestion de paquets et d'environnements open-source qui constitue une excellente alternative à pip pour installer des paquets et des dépendances. Ses environnements isolés le rendent particulièrement bien adapté au travail en science des données et en apprentissage automatique. Pour plus de détails, visite le paquet Ultralytics Conda sur Anaconda et consulte le dépôt feedstock d'Ultralytics pour les mises à jour de paquets sur GitHub.
Ce guide explique comment créer un environnement, installer Ultralytics, exécuter une inférence, utiliser l'image Docker Conda et accélérer les installations avec libmamba.
Prérequis#
Tu dois avoir Anaconda ou Miniconda installé sur ton système. Sinon, télécharge-le et installe-le depuis Anaconda ou Miniconda.
Configuration d'un environnement Conda#
Tout d'abord, crée un nouvel environnement Conda. Ouvre ton terminal et exécute la commande suivante :
conda create --name ultralytics-env python=3.11 -yActive le nouvel environnement :
conda activate ultralytics-envInstallation d'Ultralytics#
Tu peux installer le paquet Ultralytics depuis le canal conda-forge. Exécute la commande suivante :
conda install -c conda-forge ultralyticsSi tu travailles dans un environnement compatible CUDA, il est recommandé d'installer ultralytics, pytorch et pytorch-cuda ensemble afin que le gestionnaire de paquets Conda puisse résoudre d'éventuels conflits :
conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=12.1 ultralyticsUtilisation d'Ultralytics#
Une fois Ultralytics installé, tu peux commencer à utiliser ses fonctionnalités robustes pour la détection d'objets, la segmentation d'instances et plus encore. Par exemple, pour prédire une image, tu peux exécuter :
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 imageImage Docker Conda Ultralytics#
Si tu préfères utiliser Docker, Ultralytics propose des images Docker avec un environnement Conda inclus. Tu peux récupérer ces images depuis DockerHub.
Récupère la dernière image Ultralytics :
# Set image name as a variable
t=ultralytics/ultralytics:latest-conda
# Pull the latest Ultralytics image from Docker Hub
sudo docker pull $tExécute 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 GPUsSous Linux, les requêtes de périphériques CDI nécessitent Docker >= 28.2.0 et NVIDIA Container Toolkit >= 1.18. L'ancien fanion --gpus all peut faire perdre l'accès au GPU après le redémarrage du démon hôte ; mets donc à niveau les hôtes Linux plus anciens 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 conscient des dépendances qui remplace le solveur classique de Conda. Conda 23.10 et les versions ultérieures utilisent déjà libmamba comme solveur par défaut, de sorte que la plupart des installations sont plus rapides dès le départ.
Si tu utilises une version plus ancienne de Conda, tu peux activer libmamba manuellement :
-
Tout d'abord, installe le paquet
conda-libmamba-solver:conda install conda-libmamba-solver -
Ensuite, configure Conda pour utiliser
libmambacomme solveur :conda config --set solver libmamba
Tu as configuré avec succès un environnement Conda, installé le paquet Ultralytics et tu es maintenant prêt à explorer ses fonctionnalités. Pour des tutoriels et des exemples plus avancés, consulte la documentation d'Ultralytics.
FAQ#
La configuration d'un environnement Conda pour les projets Ultralytics est simple et garantit une gestion fluide des paquets. Tout d'abord, crée un nouvel environnement Conda en utilisant la commande suivante :
conda create --name ultralytics-env python=3.11 -yEnsuite, active le nouvel environnement avec :
conda activate ultralytics-envEnfin, installe Ultralytics depuis le canal conda-forge :
conda install -c conda-forge ultralyticsConda est un système robuste de gestion de paquets et d'environnements qui offre plusieurs avantages par rapport à pip. Il gère efficacement les dépendances et garantit que toutes les bibliothèques nécessaires sont compatibles. Les environnements isolés de Conda empêchent les conflits entre paquets, ce qui est crucial dans les projets de science des données et d'apprentissage automatique. De plus, Conda prend en charge la distribution de paquets binaires, ce qui accélère le processus d'installation.
Oui, tu peux améliorer les performances en utilisant un environnement compatible CUDA. Assure-toi d'installer
ultralytics,pytorchetpytorch-cudaensemble pour éviter les conflits :conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=12.1 ultralyticsCette configuration permet l'accélération par GPU, ce qui est crucial pour les tâches intensives telles que l'entraînement de modèles de deep learning et l'inférence. Pour plus d'informations, consulte le guide d'installation d'Ultralytics.
L'utilisation des images Docker Ultralytics garantit un environnement cohérent et reproductible, éliminant les problèmes du type « ça fonctionne sur ma machine ». Ces images incluent un environnement Conda préconfiguré, simplifiant le processus de configuration. Tu peux récupérer et exécuter la dernière image Docker Ultralytics avec les commandes suivantes :
sudo docker pull ultralytics/ultralytics:latest-conda sudo docker run -it --ipc=host --device nvidia.com/gpu=all ultralytics/ultralytics:latest-conda # all GPUs sudo docker run -it --ipc=host --device nvidia.com/gpu=2 --device nvidia.com/gpu=3 ultralytics/ultralytics:latest-conda # specify GPUsCette approche est idéale pour déployer des applications en production ou exécuter des workflows complexes sans configuration manuelle. Apprends-en plus sur l'image Docker Conda d'Ultralytics.
Conda 23.10 et les versions ultérieures utilisent déjà le solveur rapide
libmambapar défaut. Sur les versions plus anciennes de Conda, tu peux l'activer manuellement en installant d'abord le paquetconda-libmamba-solver:Ensuite, configure Conda pour utiliser
libmambacomme solveur :Cette configuration offre une gestion des paquets plus rapide et plus efficace. Pour plus de conseils sur l'optimisation de ton environnement, lis l'article sur l'installation de libmamba.