Installer Ultralytics#
Installe le package ultralytics avec pip, conda ou Docker, ou à partir des sources, puis effectue ta première prédiction avec un modèle YOLO26 préentraîné. Chaque méthode installe toutes les dépendances requises répertoriées dans pyproject.toml.
Installe ou mets à jour le package ultralytics dans un environnement Python>=3.8 avec PyTorch>=1.8 :
pip install -U ultralyticsPour installer 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 précise, installe d'abord PyTorch en suivant les instructions d'installation de PyTorch, puis installe ultralytics. Pour les GPU AMD sous Linux, installe une version de PyTorch compilée avec ROCm, comme décrit dans le guide d'intégration AMD.
Utiliser Ultralytics avec le CLI#
Lance ta première prédiction depuis le terminal avec la commande yolo :
yolo predict model=yolo26n.ptLes poids préentraînés yolo26n.pt sont téléchargés automatiquement, le modèle s'exécute sur deux images d'exemple incluses et la commande indique où les résultats annotés ont été enregistrés, runs/detect/predict lors de la première exécution. Indique à source ta propre image, vidéo, ton répertoire, URL ou flux, ou une webcam avec source=0 :
yolo predict model=yolo26n.pt source=0 show=Truepredict est le mode, c'est-à-dire l'action à effectuer avec le modèle : train, val, predict, export, track ou benchmark. La tâche (detect, segment, semantic, depth, classify, pose ou obb) est lue depuis le fichier du modèle ; la syntaxe yolo TASK MODE ARGS nécessite donc généralement uniquement le mode et des paires arg=value, telles que imgsz=640. Consulte le guide du CLI pour découvrir tous les modes et la page Configuration pour connaître tous les arguments.
Utiliser Ultralytics avec Python#
La même prédiction en Python :
from ultralytics import YOLO
model = YOLO("yolo26n.pt") # charger un modèle de détection YOLO26n préentraîné
results = model("https://ultralytics.com/images/bus.jpg", save=True) # prédire et enregistrer l'image annotéeresults est une liste d'objets Results, un par image, contenant des boîtes, des masques, des points clés ou des probabilités de classe selon la tâche. Le guide Python explique comment effectuer l'entraînement, la validation, l'export et le suivi avec la même classe YOLO.
Regarder : Guide de démarrage rapide d’Ultralytics YOLO
Paramètres Ultralytics#
Les paramètres persistants, comme les répertoires des jeux de données, des poids et des exécutions, la clé API de l'Ultralytics Platform et les options des outils de suivi des expériences, sont stockés dans un fichier JSON géré avec yolo settings. Consulte la page Paramètres pour les afficher, les modifier ou les réinitialiser.
Et ensuite ?#
Découvre les modes utilisés pour exécuter YOLO et les différentes tailles de modèles YOLO26, puis entraîne un modèle sur tes propres données après les avoir mises en forme à l'aide du guide des jeux de données.
Pour découvrir ce qui se profile, explore YOLO27 (bientôt disponible). Ses modèles ne sont pas encore disponibles ; les exemples ci-dessus utilisent la famille YOLO26, déjà publiée.
FAQ#
Installe Ultralytics avec pip à l'aide de la commande suivante :
pip install -U ultralyticsCette commande installe la dernière version stable du paquet
ultralyticsdepuis PyPI. Pour installer directement depuis GitHub la version en développement :pip install git+https://github.com/ultralytics/ultralytics.gitVérifie que l'outil en ligne de commande Git est installé sur ton système.
Oui, crée un environnement conda avec Python et Ultralytics YOLO en une seule commande, puis active-le :
conda create --name ultralytics-env -c conda-forge python=3.11 ultralytics torchvision -y conda activate ultralytics-envCette méthode est une excellente alternative à pip et garantit la compatibilité avec les autres paquets. Pour les environnements CUDA, ajoute le métapaquet
pytorch-gpuà la même commande pour que conda sélectionne une version de PyTorch compatible avec CUDA :conda create --name ultralytics-env -c conda-forge python=3.11 ultralytics torchvision pytorch-gpu -y conda activate ultralytics-envPour plus d'instructions, consulte le guide de démarrage rapide de Conda.
Docker fournit un environnement isolé et cohérent pour Ultralytics YOLO, garantissant un fonctionnement fluide sur différents systèmes et évitant les difficultés liées aux 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:latestSous Linux, les demandes de périphériques CDI nécessitent Docker >= 28.2.0 et NVIDIA Container Toolkit >= 1.18. Pour des instructions détaillées sur Docker, consulte le guide de démarrage rapide de Docker.
Clone le dépôt Ultralytics et configure un environnement de développement à l'aide de la commande suivante :
# 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 te permet de contribuer au projet ou d'expérimenter avec le code source le plus récent. Pour les forks et l'épinglage d'une branche personnalisée, consulte la page Installation pour le développement.
Le CLI Ultralytics YOLO simplifie l'exécution de tâches de détection d'objets sans code Python et permet de lancer des commandes sur une seule ligne pour l'entraînement, la validation et la prédiction directement depuis ton terminal. La syntaxe de base est la suivante :
yolo TASK MODE ARGSPar exemple, pour entraîner un modèle de détection :
yolo train data=coco8.yaml model=yolo26n.pt epochs=10Découvre d'autres commandes et exemples d'utilisation dans le guide complet du CLI.