Link to this sectionComment installer Ultralytics YOLO avec Conda#

Ce guide t'explique comment configurer un environnement Conda pour tes projets Ultralytics. Conda est un système open-source de gestion de paquets et d'environnements qui constitue une excellente alternative à pip pour installer des paquets et des dépendances. Ses environnements isolés le rendent particulièrement adapté aux travaux en science des données et en apprentissage automatique. Pour plus de détails, consulte le paquet Ultralytics Conda sur Anaconda et jette un œil au dépôt feedstock d'Ultralytics pour les mises à jour des paquets sur GitHub.

Ce guide couvre la manière de créer un environnement, installer Ultralytics, exécuter une inférence, utiliser l'image Docker Conda, et accélérer les installations avec libmamba.

Link to this sectionPrérequis#

Tu dois avoir Anaconda ou Miniconda installé sur ton système. Si ce n'est pas le cas, télécharge et installe-le depuis Anaconda ou Miniconda.

Link to this sectionConfiguration 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 -y

Active le nouvel environnement :

conda activate ultralytics-env

Link to this sectionInstallation d'Ultralytics#

Tu peux installer le paquet Ultralytics depuis le canal conda-forge. Exécute la commande suivante :

conda install -c conda-forge ultralytics

conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=12.1 ultralytics

Link to this sectionUtilisation d'Ultralytics#

Une fois Ultralytics installé, tu peux commencer à utiliser ses fonctionnalités robustes pour la détection d'objets, la segmentation d'instance, et plus encore. Par exemple, pour faire une prédiction sur 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 image

Link to this sectionImage Docker Conda Ultralytics#

Si tu préfères utiliser Docker, Ultralytics propose des images Docker incluant un environnement Conda. 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 $t

Exécute l'image :

# Run the Ultralytics image in a container with GPU support
sudo docker run -it --ipc=host --runtime=nvidia --gpus all $t            # all GPUs
sudo docker run -it --ipc=host --runtime=nvidia --gpus '"device=2,3"' $t # specify GPUs

Link to this sectionAccélérer 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 ses versions ultérieures utilisent déjà libmamba comme solveur par défaut, donc la plupart des installations sont plus rapides par défaut.

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

1. Tout d'abord, installe le paquet conda-libmamba-solver :

   conda install conda-libmamba-solver

2. Ensuite, configure Conda pour utiliser libmamba comme solveur :

   conda config --set solver libmamba

Tu as configuré avec succès un environnement Conda, installé le paquet Ultralytics, et tu es prêt à explorer ses fonctionnalités. Pour des tutoriels et des exemples plus avancés, consulte la documentation Ultralytics.

Link to this sectionFAQ#

Link to this sectionQuel est le processus pour configurer un environnement Conda pour les projets Ultralytics ?#

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 -y

Ensuite, active le nouvel environnement avec :

conda activate ultralytics-env

Enfin, installe Ultralytics depuis le canal conda-forge :

conda install -c conda-forge ultralytics

Link to this sectionPourquoi devrais-je utiliser Conda plutôt que pip pour gérer les dépendances dans mes projets Ultralytics ?#

Conda 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.

Link to this sectionPuis-je utiliser Ultralytics YOLO dans un environnement compatible CUDA pour de meilleures performances ?#

Oui, tu peux améliorer les performances en utilisant un environnement compatible CUDA. Assure-toi d'installer ultralytics, pytorch, et pytorch-cuda ensemble pour éviter les conflits :

conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=12.1 ultralytics

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

Link to this sectionQuels sont les avantages d'utiliser les images Docker Ultralytics avec un environnement Conda ?#

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 --runtime=nvidia --gpus all ultralytics/ultralytics:latest-conda            # all GPUs
sudo docker run -it --ipc=host --runtime=nvidia --gpus '"device=2,3"' ultralytics/ultralytics:latest-conda # specify GPUs

Cette approche est idéale pour déployer des applications en production ou exécuter des workflows complexes sans configuration manuelle. En savoir plus sur l'image Docker Conda Ultralytics.

Link to this sectionComment puis-je accélérer l'installation de paquets Conda dans mon environnement Ultralytics ?#

Conda 23.10 et ses versions ultérieures utilisent déjà le solveur rapide libmamba par défaut. Sur les anciennes versions de Conda, tu peux l'activer manuellement en installant d'abord le paquet conda-libmamba-solver :

conda install conda-libmamba-solver

Ensuite, configure Conda pour utiliser libmamba comme solveur :

conda config --set solver libmamba

Cette configuration offre une gestion de paquets plus rapide et plus efficace. Pour plus d'astuces sur l'optimisation de ton environnement, lis des informations sur l'installation de libmamba.