Démarrage rapide

Installer Ultralytics

Ultralytics propose plusieurs méthodes d'installation, dont pip, conda et Docker. Installez YOLO à l'aide de l'option ultralytics pip pour la dernière version stable ou en clonant le paquet Ultralytics Dépôt GitHub pour obtenir la version la plus récente. Docker peut être utilisé pour exécuter le paquet dans un conteneur isolé, évitant ainsi une installation locale.

Regarder : Ultralytics YOLO Guide de démarrage rapide

# Install the ultralytics package from PyPI
pip install ultralytics

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

# Install the ultralytics package using conda
conda install -c conda-forge ultralytics

# Install all packages together using conda
conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=11.8 ultralytics

# Set image name as a variable
t=ultralytics/ultralytics:latest-conda

# Pull the latest ultralytics image from Docker Hub
sudo docker pull $t

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

# 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 .

# Set image name as a variable
t=ultralytics/ultralytics:latest

# Pull the latest ultralytics image from Docker Hub
sudo docker pull $t

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

# Mount local directory to a directory inside the container
sudo docker run -it --ipc=host --gpus all -v /path/on/host:/path/in/container $t

Voir le ultralytics pyproject.toml pour obtenir la liste des dépendances. Notez que tous les exemples ci-dessus installent toutes les dépendances nécessaires.

Utiliser Ultralytics avec CLI

L'interface de ligne de commande Ultralytics (CLI) permet d'effectuer des commandes simples sur une seule ligne sans avoir besoin d'un environnement Python . CLI ne nécessite aucune personnalisation ni aucun code Python . Vous pouvez simplement exécuter toutes les tâches à partir du terminal à l'aide de la commande yolo commande. Consultez la page CLI Guide pour en savoir plus sur l'utilisation de YOLO à partir de la ligne de commande.

yolo TASK MODE ARGS

yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01

yolo predict model=yolo11n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320

yolo val model=yolo11n.pt data=coco8.yaml batch=1 imgsz=640

yolo export model=yolo11n-cls.pt format=onnx imgsz=224,128

yolo help
yolo checks
yolo version
yolo settings
yolo copy-cfg
yolo cfg

CLI Guide

Utiliser Ultralytics avec Python

YOLOL'interface Python permet une intégration transparente dans vos projets Python , facilitant le chargement, l'exécution et le traitement des résultats du modèle. Conçue dans un souci de simplicité et de facilité d'utilisation, l'interface Python permet aux utilisateurs de mettre rapidement en œuvre la détection, la segmentation et la classification d'objets dans leurs projets. L'interface Python de YOLO est donc un outil inestimable pour tous ceux qui souhaitent intégrer ces fonctionnalités dans leurs projets Python .

Par exemple, les utilisateurs peuvent charger un modèle, l'entraîner, évaluer ses performances sur un ensemble de validation et même l'exporter au format ONNX avec seulement quelques lignes de code. Consultez le guidePython pour en savoir plus sur l'utilisation de YOLO dans vos projets Python .

from ultralytics import YOLO

# Create a new YOLO model from scratch
model = YOLO("yolo11n.yaml")

# Load a pretrained YOLO model (recommended for training)
model = YOLO("yolo11n.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")

Python Guide

Ultralytics Paramètres

La bibliothèque Ultralytics fournit un puissant système de gestion des paramètres qui permet de contrôler finement vos expériences. En utilisant la bibliothèque SettingsManager hébergée au sein de la ultralytics.utils les utilisateurs peuvent facilement accéder à leurs paramètres et les modifier. Ceux-ci sont stockés dans un fichier JSON dans le répertoire de configuration utilisateur de l'environnement, et peuvent être consultés ou modifiés directement dans l'environnement Python ou via l'interface en ligne de commande (CLI).

Inspection des paramètres

Pour avoir un aperçu de la configuration actuelle de vos paramètres, vous pouvez les consulter directement :

from ultralytics import settings

# View all settings
print(settings)

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

yolo settings

Modification des paramètres

Ultralytics permet aux utilisateurs de modifier facilement leurs paramètres. Les modifications peuvent être effectuées 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()

# Update a setting
yolo settings runs_dir='/path/to/runs'

# Update multiple settings
yolo settings runs_dir='/path/to/runs' tensorboard=False

# Reset settings to default values
yolo settings reset

Comprendre les paramètres

Le tableau ci-dessous donne une vue d'ensemble des paramètres pouvant être ajustés sur le site Ultralytics. Chaque paramètre est présenté avec un exemple de valeur, le type de données et une brève description.

Au fur et à mesure que vous naviguez dans vos projets ou expériences, n'oubliez pas de revenir sur ces paramètres pour vous assurer qu'ils sont configurés de manière optimale pour vos besoins.

FAQ

Comment installer Ultralytics à l'aide de pip ?

Pour installer Ultralytics avec pip, exécutez la commande suivante :

pip install ultralytics

Pour la dernière version stable, cela installera le fichier ultralytics directement depuis le site Python Package Index (PyPI). Pour plus de détails, visitez le site ultralytics sur PyPI.

Vous pouvez également installer la dernière version de développement directement depuis GitHub :

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

Assurez-vous que l'outil de ligne de commande Git est installé sur votre système.

Puis-je installer Ultralytics YOLO en utilisant conda ?

Oui, vous pouvez installer Ultralytics YOLO en utilisant conda :

conda install -c conda-forge ultralytics

Cette méthode est une excellente alternative à pip et garantit la compatibilité avec les autres paquets de votre environnement. Pour les environnements CUDA , il est préférable d'installer ultralytics, pytorchet pytorch-cuda simultanément pour résoudre les conflits éventuels :

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

Pour plus d'instructions, consultez le guide de démarrage rapide de Conda.

Quels sont les avantages de l'utilisation de Docker pour exécuter Ultralytics YOLO ?

L'utilisation de Docker pour exécuter Ultralytics YOLO fournit un environnement isolé et cohérent, garantissant des performances fluides sur différents systèmes. Il élimine également la complexité de l'installation locale. Les images Docker officielles de Ultralytics sont disponibles sur Docker Hub, avec différentes variantes adaptées aux environnements GPU, CPU, ARM64, NVIDIA Jetson et Conda. Vous trouverez ci-dessous les commandes permettant d'extraire et d'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 --gpus all ultralytics/ultralytics:latest

Pour des instructions plus détaillées sur Docker, consultez le guide de démarrage rapide de Docker.

Comment cloner le dépôt Ultralytics pour le développement ?

Pour cloner le dépôt Ultralytics et mettre en place un environnement de développement, procédez comme suit :

# 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 .

Cette approche vous permet de contribuer au projet ou d'expérimenter le dernier code source. Pour plus de détails, visitez le dépôt GitHub Ultralytics .

Pourquoi utiliser Ultralytics YOLO CLI ?

L'interface de ligne de commande Ultralytics YOLO (CLI) simplifie l'exécution des tâches de détection d'objets sans nécessiter de code Python . Vous pouvez exécuter des commandes d'une seule ligne pour des tâches telles que l'entraînement, la validation et la prédiction directement à partir de votre terminal. La syntaxe de base pour yolo est la commande :

yolo TASK MODE ARGS

Par exemple, pour former un modèle de détection avec des paramètres spécifiés :

yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01

Consultez le guide complet CLI pour découvrir d'autres commandes et exemples d'utilisation.

📅C réé il y a 1 an ✏️ Mis à jour il y a 2 mois

Commentaires