Installer Ultralytics#

Ultralytics propose plusieurs méthodes d'installation, notamment pip, conda et Docker. Tu peux installer YOLO via le package pip ultralytics pour obtenir 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

Consulte le fichier ultralytics pyproject.toml pour obtenir la liste des dépendances. Note que tous les exemples ci-dessus installent l'ensemble des dépendances requises.

Astuce

Les exigences de PyTorch varient selon le système d'exploitation et les besoins CUDA, alors installe d'abord PyTorch en suivant les instructions indiquées sur PyTorch.

Installation sur serveur sans écran (Headless)#

Pour les environnements de serveur sans écran (par exemple, machines virtuelles cloud, conteneurs Docker, pipelines CI/CD), utilise le package ultralytics-opencv-headless. Celui-ci est identique au package standard ultralytics, mais dépend de opencv-python-headless au lieu de opencv-python, ce qui évite les dépendances GUI inutiles et d'éventuelles erreurs 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.

Installation 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.

Utiliser Ultralytics avec la CLI#

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

yolo TASK MODE ARGS

Guide CLI

Utiliser 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 résultats du modèle. Conçue pour être simple, l'interface Python permet aux utilisateurs de mettre en œuvre rapidement la détection d'objets, la segmentation d'instances, la segmentation sémantique, l'estimation de profondeur et la classification. Cela fait de l'interface Python de YOLO un outil précieux pour intégrer ces fonctionnalités dans des projets Python.

Par exemple, tu peux charger un modèle, l'entraîner, évaluer ses performances et l'exporter au format ONNX en 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

Paramètres d'Ultralytics#

La bibliothèque Ultralytics comprend un fichier SettingsManager pour un contrôle précis des expériences, permettant aux utilisateurs d'accéder facilement aux paramètres et de les modifier. 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 en ligne de commande (CLI).

Inspection 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"]

Modifier 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()

Comprendre 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.

FAQ#

Comment 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.

Puis-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, garantissant 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=12.1 ultralytics

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

Quels 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 la complexité des installations locales. 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:latest

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

Comment 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, consulte le dépôt GitHub d'Ultralytics.

Pourquoi 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 davantage de commandes et d'exemples d'utilisation dans le guide de la CLI complet.