Démarrage rapide

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/.

# 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/.

# 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

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 éditable -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 Hub Docker, 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 :

• Dockerfile : Image GPU recommandée pour la formation.
• Dockerfile-arm64 : Optimisé pour l'architecture ARM64, permettant le déploiement sur des appareils comme le Raspberry Pi et d'autres plateformes basées sur ARM64.
• Dockerfile-cpu : version CPU-only basée sur Ubuntu adaptée à l'inférence et aux environnements sans GPU.
• Dockerfile-jetson : Adapté aux appareils NVIDIA Jetson, intégrant la prise en charge du GPU optimisée pour ces plateformes.
• Dockerfile-python: Image minimale avec juste Python et les dépendances nécessaires, idéale pour les applications légères et le développement.
• Dockerfile-conda : Basé 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.

Ultralytics yolo Les commandes utilisent la syntaxe suivante :

yolo TASK MODE ARGS

• TASK (facultatif) est l'un des éléments suivants (détecter, segment, classer, pose)
• MODE (obligatoire) est l'un des éléments suivants (train, val, prédire, exporter, piste)
• ARGS (facultatif) sont arg=value paires comme imgsz=640 qui remplacent les valeurs par défaut.

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=coco8.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=coco8.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

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

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