Skip to content

DĂ©marrage rapide

Installer Ultralytics

Ultralytics propose différentes méthodes d'installation, notamment pip, conda et Docker. Installe YOLOv8 via 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.



Regarde : Ultralytics YOLO Guide de démarrage rapide

Installer

Installe le ultralytics à l'aide de pip, ou mettre à jour une installation existante en exécutant pip install -U ultralytics. Visite le site Python Package Index (PyPI) pour plus de détails sur le programme ultralytics paquet : https://pypi.org/project/ultralytics/.

Version PyPI Téléchargements

# Install the ultralytics package from PyPI
pip install ultralytics

Tu peux aussi installer le ultralytics directement à partir du paquet GitHub dépôt. Cela peut être utile si tu veux la dernière version de développement. Assure-toi que l'outil de ligne de commande Git est installé sur ton système. L'outil @main La commande installe le main et peut être modifiée en une autre branche, c'est-à-dire @my-branchou supprimée complètement pour passer à la valeur par défaut main branche.

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

Conda est un gestionnaire de paquets alternatif à pip qui peut également être utilisé pour l'installation. Visite Anaconda pour plus de détails à https://anaconda.org/conda-forge/ultralytics. Ultralytics Le dépôt feedstock pour la mise à jour du paquet conda se trouve à https://github.com/conda-forge/ultralytics-feedstock/.

Recette Conda Téléchargements Conda Version Conda Plateformes Conda

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

Note

Si tu l'installes dans un environnement CUDA, la meilleure pratique est d'installer ultralytics, pytorch et pytorch-cuda dans la même commande pour permettre au gestionnaire de paquets conda de résoudre les éventuels conflits, ou bien pour installer pytorch-cuda pour lui permettre d'outrepasser les règles spécifiques à l'unité centrale. pytorch si nécessaire.

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

Image Docker Conda

Ultralytics Les images Docker de Conda sont également disponibles à partir de . DockerHub. Ces images sont basées sur Miniconda3 et sont un moyen simple de commencer à utiliser ultralytics dans un environnement Conda.

# 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 le ultralytics si tu souhaites contribuer au développement ou expérimenter le dernier code source. Après le clonage, navigue dans le répertoire et installe le paquet en mode modifiable -e en utilisant pip.

# 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 .

Utilise Docker pour exécuter sans effort l' ultralytics dans un conteneur isolé, ce qui garantit des performances constantes et fluides dans divers environnements. En choisissant l'une des versions officielles de ultralytics images de Docker Hub, tu évites non seulement la complexité de l'installation locale, mais tu bénéficies également de l'accès à un environnement de travail vérifié. Ultralytics propose 5 images Docker principales prises en charge, chacune étant conçue pour offrir une compatibilité et une efficacité élevées pour différentes plateformes et différents cas d'utilisation :

Les tirages de Docker

  • Dockerfile : Image GPU recommandĂ©e pour la formation.
  • Dockerfile-arm64 : OptimisĂ© pour l'architecture ARM64, permettant le dĂ©ploiement sur des appareils comme le Raspberry Pi et d'autres plateformes basĂ©es sur ARM64.
  • Dockerfile-cpu : version CPU-only basĂ©e sur Ubuntu adaptĂ©e Ă  l'infĂ©rence et aux environnements sans GPU.
  • Dockerfile-jetson : AdaptĂ© aux appareils NVIDIA Jetson, intĂ©grant la prise en charge du GPU optimisĂ©e pour ces plateformes.
  • Dockerfile-python: Image minimale avec juste Python et les dĂ©pendances nĂ©cessaires, idĂ©ale pour les applications lĂ©gères et le dĂ©veloppement.
  • Dockerfile-conda : BasĂ© sur Miniconda3 avec l'installation de conda du paquet ultralytics .

Tu trouveras ci-dessous les commandes pour obtenir la dernière image et l'exécuter :

# 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

La commande ci-dessus initialise un conteneur Docker avec la dernière version. ultralytics image. Les -it attribue un pseudo-TTY et maintient stdin ouvert, ce qui te permet d'interagir avec le conteneur. L'indicateur --ipc=host définit l'espace de noms IPC (Inter-Process Communication) pour l'hôte, ce qui est essentiel pour le partage de la mémoire entre les processus. Le drapeau --gpus all flag permet d'accéder à tous les GPU disponibles à l'intérieur du conteneur, ce qui est crucial pour les tâches qui nécessitent un calcul par le GPU.

Remarque : pour travailler avec des fichiers sur ta machine locale dans le conteneur, utilise les volumes Docker pour monter un répertoire local dans le conteneur :

# 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

Alter /path/on/host avec le chemin du répertoire sur ta machine locale, et /path/in/container avec le chemin souhaité à l'intérieur du conteneur Docker pour l'accessibilité.

Pour une utilisation avancée de Docker, n'hésite pas à explorer le guideUltralytics Docker.

Voir le ultralytics exigences.txt pour obtenir la liste des dépendances. Note que tous les exemples ci-dessus installent toutes les dépendances nécessaires.

Astuce

PyTorch La configuration requise varie en fonction du système d'exploitation et des exigences CUDA. Il est donc recommandé d'installer d'abord PyTorch en suivant les instructions à https://pytorch.org/get-started/locally.

PyTorch Instructions d'installation

Utilise 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 . Tu peux simplement exécuter toutes les tâches à partir du terminal avec la commande yolo commande. Jette un coup d'œil à la CLI Guide pour en savoir plus sur l'utilisation de YOLOv8 à partir de la ligne de commande.

Exemple

Ultralytics yolo Les commandes utilisent la syntaxe suivante :

yolo TASK MODE ARGS

Voir tous ARGS dans l'ensemble Guide de configuration ou avec le yolo cfg CLI commande.

Entraîne un modèle de détection pendant 10 époques avec un taux d'apprentissage initial de 0,01.

yolo train data=coco128.yaml model=yolov8n.pt epochs=10 lr0=0.01

Prédis une vidéo YouTube à l'aide d'un modèle de segmentation pré-entraîné à la taille d'image 320 :

yolo predict model=yolov8n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320

Val un modèle de détection pré-entraîné à la taille de lot 1 et à la taille d'image 640 :

yolo val model=yolov8n.pt data=coco128.yaml batch=1 imgsz=640

Exporte un modèle de classification YOLOv8n au format ONNX avec une taille d'image de 224 par 128 (aucune TÂCHE requise).

yolo export model=yolov8n-cls.pt format=onnx imgsz=224,128

Exécute des commandes spéciales pour voir la version, afficher les paramètres, effectuer des vérifications et plus encore :

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

Avertissement

Les arguments doivent être passés en tant que arg=val paires, séparées par une équation = et délimitées par des espaces entre les paires. Ne pas utiliser -- préfixes ou virgules des arguments , entre les arguments.

  • yolo predict model=yolov8n.pt imgsz=640 conf=0.25 âś…
  • yolo predict model yolov8n.pt imgsz 640 conf 0.25 ❌ (manquant =)
  • yolo predict model=yolov8n.pt, imgsz=640, conf=0.25 ❌ (ne pas utiliser ,)
  • yolo predict --model yolov8n.pt --imgsz 640 --conf 0.25 ❌ (ne pas utiliser --)

CLI Guide

Utilise Ultralytics avec Python

YOLOv8L'interface Python permet une intégration transparente dans tes 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 des objets dans leurs projets. Cela fait de l'interface YOLOv8's Python un outil inestimable pour tous ceux qui cherchent à incorporer 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. Consulte le guidePython pour en savoir plus sur l'utilisation de YOLOv8 dans tes projets Python .

Exemple

from ultralytics import YOLO

# Create a new YOLO model from scratch
model = YOLO('yolov8n.yaml')

# Load a pretrained YOLO model (recommended for training)
model = YOLO('yolov8n.pt')

# Train the model using the 'coco128.yaml' dataset for 3 epochs
results = model.train(data='coco128.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 RĂ©glages

La bibliothèque Ultralytics offre un puissant système de gestion des paramètres qui permet de contrôler finement tes expériences. En utilisant la bibliothèque SettingsManager hébergé au sein du ultralytics.utils les utilisateurs peuvent facilement accéder à leurs paramètres et les modifier. Ceux-ci sont stockés dans un fichier YAML et peuvent être consultés ou modifiés directement dans l'environnement Python ou via l'interface de ligne de commande (CLI).

Inspecter les paramètres

Pour avoir un aperçu de la configuration actuelle de tes paramètres, tu peux les consulter directement :

Afficher les paramètres

Tu peux utiliser Python pour visualiser tes paramètres. Commence par importer le fichier settings de l'objet ultralytics module. Imprime et renvoie les paramètres à l'aide des commandes suivantes :

from ultralytics import settings

# View all settings
print(settings)

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

Sinon, l'interface de ligne de commande te permet de vérifier tes paramètres à l'aide d'une simple commande :

yolo settings

Modifier les paramètres

Ultralytics permet aux utilisateurs de modifier facilement leurs paramètres. Les modifications peuvent être effectuées de la manière suivante :

Mettre à jour les paramètres

Dans l'environnement Python , appelle la fonction update sur la méthode settings pour modifier tes paramètres :

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()

Si tu préfères utiliser l'interface de ligne de commande, les commandes suivantes te permettront de modifier tes paramètres :

# 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 réglages

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

Nom Exemple de valeur Type de données Description
settings_version '0.0.4' str Ultralytics version desparamètres (différente de la version de Ultralytics pip )
datasets_dir '/path/to/datasets' str Le répertoire où sont stockés les ensembles de données
weights_dir '/path/to/weights' str Le répertoire où les poids du modèle sont stockés
runs_dir '/path/to/runs' str Le répertoire dans lequel les expériences sont stockées
uuid 'a1b2c3d4' str L'identifiant unique des paramètres actuels
sync True bool S'il faut synchroniser les analyses et les crashs avec HUB
api_key '' str Ultralytics HUB Clé API
clearml True bool Utiliser ou non la journalisation ClearML
comet True bool S'il faut utiliser Comet ML pour le suivi et la visualisation des expériences.
dvc True bool Faut-il utiliser DVC pour le suivi des expériences et le contrôle des versions ?
hub True bool Utiliser ou non Ultralytics HUB l'intégration
mlflow True bool Utiliser ou non MLFlow pour le suivi des expériences
neptune True bool Utiliser ou non Neptune pour le suivi des expériences
raytune True bool Utiliser ou non Ray Tune pour l'ajustement des hyperparamètres
tensorboard True bool Si tu veux utiliser TensorBoard pour la visualisation
wandb True bool Utiliser ou non la journalisation Weights & Biases

Au fur et à mesure que tu navigues dans tes projets ou tes expériences, n'oublie pas de revenir sur ces paramètres pour t'assurer qu'ils sont configurés de façon optimale pour tes besoins.



Créé le 2023-11-12, Mis à jour le 2024-02-03
Auteurs : glenn-jocher (7), chr043416@gmail.com (2), Laughing-q (1), AyushExel (1)

Commentaires