Installer Ultralytics#
Installe le paquet ultralytics avec pip, conda ou Docker, ou depuis les sources, puis exécute ta première prédiction avec un modèle préentraîné YOLO26. Chaque méthode installe toutes les dépendances requises listées dans pyproject.toml.
Installe ou mets à jour le paquet ultralytics dans un environnement Python>=3.8 avec PyTorch>=1.8 :
pip install -U ultralyticsPour la dernière version de développement, installe directement depuis le dépôt GitHub d'Ultralytics :
pip install git+https://github.com/ultralytics/ultralytics.git@mainLes exigences de PyTorch varient selon le système d'exploitation et la version de CUDA. Pour utiliser une version spécifique, installe d'abord PyTorch en suivant les instructions d'installation de PyTorch, puis installe ultralytics.
Utiliser Ultralytics avec l'interface en ligne de commande (CLI)#
Exécute ta première prédiction depuis le terminal avec la commande yolo :
yolo predict model=yolo26n.ptLes poids préentraînés yolo26n.pt se téléchargent automatiquement, le modèle s'exécute sur deux images d'exemple fournies, et la commande affiche l'endroit où elle a enregistré les résultats annotés, runs/detect/predict lors d'une première exécution. Pointe source vers ta propre image, vidéo, répertoire, URL ou flux, ou vers une webcam avec source=0 :
yolo predict model=yolo26n.pt source=0 show=Truepredict est le mode, ce qu'il faut faire avec le modèle : train, val, predict, export, track ou benchmark. La tâche (detect, segment, semantic, depth, classify, pose ou obb) est lue à partir du fichier du modèle, de sorte que la syntaxe de yolo TASK MODE ARGS ne nécessite généralement que le mode et des paires arg=value telles que imgsz=640. Consulte le guide de l'interface en ligne de commande pour chaque mode et la page de configuration pour tous les arguments.
Utiliser Ultralytics avec Python#
La même prédiction en Python :
from ultralytics import YOLO
model = YOLO("yolo26n.pt") # load a pretrained YOLO26n detection model
results = model("https://ultralytics.com/images/bus.jpg", save=True) # predict and save the annotated imageresults est une liste d'objets Résultats, un par image, transportant des boîtes, des masques, des points clés ou des probabilités de classe selon la tâche. Le guide Python couvre l'entraînement, la validation, l'exportation et le suivi avec la même classe YOLO.
Watch: Ultralytics YOLO Quick Start Guide
Paramètres d'Ultralytics#
Les paramètres persistants tels que les répertoires de jeux de données, de poids et d'exécutions, la clé API de la plateforme Ultralytics et les bascules de journalisation d'expériences résident dans un fichier JSON géré avec yolo settings. Consulte la page des paramètres pour les afficher, les modifier ou les réinitialiser.
Et ensuite ?#
Parcours les modes dans lesquels YOLO s'exécute et les tailles de modèle YOLO26, puis entraîne-toi sur tes propres données après les avoir formatées avec le guide des jeux de données.
Pour un aperçu, explore YOLO27 (Coming Soon). Les modèles de YOLO27 ne sont pas encore disponibles ; les exemples ci-dessus utilisent la famille YOLO26 publiée.
FAQ#
Oui, installe Ultralytics YOLO avec conda en utilisant :
conda install -c conda-forge ultralyticsCette méthode est une excellente alternative à pip, garantissant la compatibilité avec d'autres paquets. Pour les environnements CUDA, installe
ultralyticsen même temps que le métapaquetpytorch-gpupour que conda sélectionne une version de PyTorch compatible avec CUDA :conda install -c conda-forge ultralytics pytorch-gpuPour plus d'instructions, consulte le guide de démarrage rapide de Conda.
Docker fournit un environnement isolé et cohérent pour Ultralytics YOLO, garantissant des performances fluides sur tous les systèmes et évitant les complexités d'installation locale. Des images Docker officielles sont disponibles sur Docker Hub, avec des variantes pour GPU, CPU, ARM64, NVIDIA Jetson et Conda. Pour télécharger et exécuter la dernière image :
# Pull the latest ultralytics image from Docker Hub sudo docker pull ultralytics/ultralytics:latest # Run the ultralytics image in a container with GPU support sudo docker run -it --ipc=host --device nvidia.com/gpu=all ultralytics/ultralytics:latestSous Linux, les requêtes de périphériques CDI nécessitent Docker >= 28.2.0 et NVIDIA Container Toolkit >= 1.18. Pour des instructions Docker détaillées, consulte le guide de démarrage rapide Docker.
Clone le dépôt Ultralytics et configure un environnement de développement avec :
# Clone the ultralytics repository git clone https://github.com/ultralytics/ultralytics # Navigate to the cloned directory cd ultralytics # Install the package in editable mode for development pip install -e .Cela permet de contribuer au projet ou d'expérimenter avec le dernier code source. Pour les bifurcations et l'épinglage d'une branche personnalisée, consulte l'installation pour le développement.
L'interface de commande Ultralytics YOLO CLI simplifie l'exécution des tâches de détection d'objets sans code Python, permettant des commandes sur une seule ligne pour l'entraînement, la validation et la prédiction directement depuis ton terminal. La syntaxe de base est :
yolo TASK MODE ARGSPar exemple, pour entraîner un modèle de détection :
yolo train data=coco8.yaml model=yolo26n.pt epochs=10 lr0=0.01Explore d'autres commandes et exemples d'utilisation dans le guide complet de l'interface de commande.
Installe Ultralytics avec pip en utilisant :
Cela installe la dernière version stable du paquet
ultralyticsdepuis PyPI. Pour installer la version de développement directement depuis GitHub :Assure-toi que l'outil de ligne de commande Git est installé sur ton système.