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 paquets et des environnements qui constitue une excellente alternative à pip pour installer les paquets et leurs dépendances. Ses environnements isolés sont particulièrement adaptés aux travaux de science des données et de machine learning. Pour plus de détails, consulte le paquet Conda d'Ultralytics sur Anaconda et le dépôt feedstock d'Ultralytics pour les mises à jour du paquet sur GitHub.

Ce guide explique comment créer un environnement, installer 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-le et installe-le depuis Anaconda ou Miniconda.

Configurer un environnement Conda#

Commence par créer 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

Installer 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 conda-forge ultralytics pytorch-gpu

Utiliser Ultralytics#

Une fois Ultralytics installé, tu peux commencer à utiliser ses fonctionnalités robustes de détection d'objets, de segmentation d'instances et bien plus encore. Par exemple, pour effectuer 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

Image Docker Conda d'Ultralytics#

Le Conda Dockerfile utilise conda-forge PyTorch 2.13, torchvision 0.28 et CUDA 13.0. Les versions de conda-forge peuvent accuser un retard par rapport aux versions PyTorch pip utilisées dans l'image GPU standard. La publication automatisée de latest-conda est désactivée, construis donc 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 héritée --gpus all peut entraîner la perte de l'accès au GPU après le rechargement des démons de l'hôte ; mets donc à niveau les anciens hôtes Linux et utilise --device à la place. Consulte le guide de démarrage rapide de Docker pour plus de détails.

Accélérer l'installation avec Libmamba#

libmamba est un solveur rapide, multiplateforme et prenant en compte les 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 sans configuration supplémentaire.

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

FAQ#