Link to this sectionInstaller Ultralytics#

Ultralytics propose diverses méthodes d'installation, notamment pip, conda et Docker. Tu peux installer YOLO via le package pip ultralytics pour la dernière version stable, ou en clonant le dépôt GitHub d'Ultralytics pour la version la plus récente. Docker est également une option pour exécuter le package dans un conteneur isolé, ce qui évite une installation locale.

# Install or upgrade the ultralytics package from PyPI
pip install -U ultralytics

# Install the ultralytics package from GitHub
pip install git+https://github.com/ultralytics/ultralytics.git@main

See the ultralytics pyproject.toml file for a list of dependencies. Note that all examples above install all required dependencies.

Astuce

Les exigences de PyTorch varient selon le système d'exploitation et les exigences CUDA, donc installe PyTorch en premier en suivant les instructions sur PyTorch.

Link to this sectionInstallation sur serveur sans écran (Headless)#

Pour les environnements serveur sans affichage (ex. : machines virtuelles cloud, conteneurs Docker, pipelines CI/CD), utilise le package ultralytics-opencv-headless. Il est identique au package ultralytics standard mais dépend de opencv-python-headless au lieu de opencv-python, évitant les dépendances GUI inutiles et les erreurs potentielles de libGL.

pip install ultralytics-opencv-headless

Les deux packages fournissent la même fonctionnalité et la même API. La variante headless exclut simplement les composants GUI d'OpenCV qui nécessitent des bibliothèques d'affichage.

Link to this sectionInstallation avancée#

Bien que les méthodes d'installation standard couvrent la plupart des cas d'utilisation, tu pourrais avoir besoin d'une configuration plus personnalisée pour le développement ou des configurations sur mesure.

Link to this sectionUtiliser Ultralytics avec la CLI#

L'interface de ligne de commande (CLI) d'Ultralytics permet des commandes simples sur une seule ligne sans nécessiter d'environnement Python. La CLI ne nécessite aucune personnalisation ou code Python ; exécute toutes les tâches depuis le terminal avec la commande yolo. Pour en savoir plus sur l'utilisation de YOLO en ligne de commande, consulte le Guide CLI.

yolo TASK MODE ARGS

Guide CLI

Link to this sectionUtiliser Ultralytics avec Python#

L'interface Python d'Ultralytics YOLO offre une intégration transparente dans les projets Python, facilitant le chargement, l'exécution et le traitement des sorties de modèles. Conçue pour la simplicité, l'interface Python permet aux utilisateurs d'implémenter rapidement la détection d'objets, la segmentation d'instance, la segmentation sémantique et la classification. Cela fait de l'interface Python YOLO un outil précieux pour intégrer ces fonctionnalités dans tes projets Python.

Par exemple, tu peux charger un modèle, l'entraîner, évaluer ses performances et l'exporter au format ONNX avec seulement quelques lignes de code. Explore le Guide Python pour en savoir plus sur l'utilisation de YOLO dans tes projets Python.

from ultralytics import YOLO

# Create a new YOLO model from scratch
model = YOLO("yolo26n.yaml")

# Load a pretrained YOLO model (recommended for training)
model = YOLO("yolo26n.pt")

# Train the model using the 'coco8.yaml' dataset for 3 epochs
results = model.train(data="coco8.yaml", epochs=3)

# Evaluate the model's performance on the validation set
results = model.val()

# Perform object detection on an image using the model
results = model("https://ultralytics.com/images/bus.jpg")

# Export the model to ONNX format
success = model.export(format="onnx")

Guide Python

Link to this sectionParamètres d'Ultralytics#

La bibliothèque Ultralytics inclut un SettingsManager pour un contrôle précis sur les expériences, permettant aux utilisateurs d'accéder aux paramètres et de les modifier facilement. Stockés dans un fichier JSON dans le répertoire de configuration utilisateur de l'environnement, ces paramètres peuvent être consultés ou modifiés dans l'environnement Python ou via l'interface de ligne de commande (CLI).

Link to this sectionInspection des paramètres#

Pour consulter la configuration actuelle de tes paramètres :

from ultralytics import settings

# View all settings
print(settings)

# Return a specific setting
value = settings["runs_dir"]

Link to this sectionModifier les paramètres#

Ultralytics facilite la modification des paramètres de la manière suivante :

from ultralytics import settings

# Update a setting
settings.update({"runs_dir": "/path/to/runs"})

# Update multiple settings
settings.update({"runs_dir": "/path/to/runs", "tensorboard": False})

# Reset settings to default values
settings.reset()

Link to this sectionComprendre les paramètres#

Le tableau ci-dessous présente les paramètres ajustables au sein d'Ultralytics, incluant des exemples de valeurs, les types de données et des descriptions.

Revisite ces paramètres au fil de tes projets ou expériences pour garantir une configuration optimale.

Link to this sectionFAQ#

Link to this sectionComment installer Ultralytics avec pip ?#

Installe Ultralytics avec pip en utilisant :

pip install -U ultralytics

Ceci installe la dernière version stable du package ultralytics depuis PyPI. Pour installer la version de développement directement depuis GitHub :

pip install git+https://github.com/ultralytics/ultralytics.git

Assure-toi que l'outil de ligne de commande Git est installé sur ton système.

Link to this sectionPuis-je installer Ultralytics YOLO avec conda ?#

Oui, installe Ultralytics YOLO avec conda en utilisant :

conda install -c conda-forge ultralytics

Cette méthode est une excellente alternative à pip, assurant la compatibilité avec d'autres packages. Pour les environnements CUDA, installe ultralytics, pytorch et pytorch-cuda ensemble pour résoudre les conflits :

conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=11.8 ultralytics

Pour plus d'instructions, consulte le Conda quickstart guide.

Link to this sectionQuels sont les avantages d'utiliser Docker pour exécuter Ultralytics YOLO ?#

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. Les images Docker officielles sont disponibles sur Docker Hub, avec des variantes pour GPU, CPU, ARM64, NVIDIA Jetson et Conda. Pour extraire 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 --runtime=nvidia --gpus all ultralytics/ultralytics:latest

Pour des instructions Docker détaillées, consulte le Docker quickstart guide.

Link to this sectionComment cloner le dépôt Ultralytics pour le développement ?#

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 code source le plus récent. Pour plus de détails, visite le Ultralytics GitHub repository.

Link to this sectionPourquoi utiliser l'interface de ligne de commande d'Ultralytics YOLO ?#

L'interface de ligne de commande Ultralytics YOLO 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 ARGS

Par exemple, pour entraîner un modèle de détection :

yolo train data=coco8.yaml model=yolo26n.pt epochs=10 lr0=0.01

Explore plus de commandes et d'exemples d'utilisation dans le CLI Guide complet.