क्विकस्टार्ट

स्थापित करें ultralytics पीआईपी का उपयोग करके पैकेज, या चलाकर मौजूदा स्थापना को अपडेट करें pip install -U ultralytics. भेंट Python पैकेज इंडेक्स (PyPI) के बारे में अधिक जानकारी के लिए ultralytics पैकेज: https://pypi.org/project/ultralytics/.

# Install the ultralytics package from PyPI
pip install ultralytics

आप भी स्थापित कर सकते हैं ultralytics पैकेज सीधे GitHub से कोष. यदि आप नवीनतम विकास संस्करण चाहते हैं तो यह उपयोगी हो सकता है। सुनिश्चित करें कि आपके सिस्टम पर गिट कमांड-लाइन टूल स्थापित है। वही @main कमांड स्थापित करता है main (ख) यदि हां, तो तत्संबंधी ब्यौरा क्या है; और @my-branch, या डिफ़ॉल्ट रूप से पूरी तरह से हटा दिया गया main शाखा।

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

कोंडा पाइप के लिए एक वैकल्पिक पैकेज मैनेजर है जिसका उपयोग स्थापना के लिए भी किया जा सकता है। अधिक जानकारी के लिए एनाकोंडा पर जाएँ https://anaconda.org/conda-forge/ultralytics. Ultralytics कोंडा पैकेज को अपडेट करने के लिए फीडस्टॉक रिपॉजिटरी पर है https://github.com/conda-forge/ultralytics-फीडस्टॉक /।

# 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

कोंडा डॉकर छवि

Ultralytics Conda Docker चित्र भी उपलब्ध हैं डॉकरहब. ये चित्र पर आधारित हैं मिनिकोंडा3 और उपयोग शुरू करने का एक आसान तरीका है ultralytics कोंडा वातावरण में।

# 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

क्लोन करें ultralytics भंडार यदि आप विकास में योगदान करने में रुचि रखते हैं या नवीनतम स्रोत कोड के साथ प्रयोग करना चाहते हैं। क्लोनिंग के बाद, निर्देशिका में नेविगेट करें और पैकेज को संपादन योग्य मोड में स्थापित करें -e पाइप का उपयोग करना।

# 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 .

आसानी से निष्पादित करने के लिए डॉकर का उपयोग करें ultralytics एक अलग कंटेनर में पैकेज, विभिन्न वातावरणों में लगातार और सुचारू प्रदर्शन सुनिश्चित करना। अधिकारी में से किसी एक को चुनकर ultralytics से छवियाँ डॉकर हब, आप न केवल स्थानीय स्थापना की जटिलता से बचते हैं बल्कि एक सत्यापित कार्य वातावरण तक पहुंच से भी लाभान्वित होते हैं। Ultralytics 5 मुख्य समर्थित डॉकर छवियां प्रदान करता है, प्रत्येक को विभिन्न प्लेटफार्मों और उपयोग के मामलों के लिए उच्च संगतता और दक्षता प्रदान करने के लिए डिज़ाइन किया गया है:

• डॉकरफाइल: प्रशिक्षण के लिए अनुशंसित GPU छवि।
• डॉकरफाइल-आर्म64: ARM64 आर्किटेक्चर के लिए अनुकूलित, रास्पबेरी पाई और अन्य ARM64-आधारित प्लेटफार्मों जैसे उपकरणों पर तैनाती की अनुमति देता है।
• Dockerfile-cpu: उबंटू-आधारित सीपीयू-केवल संस्करण जीपीयू के बिना अनुमान और वातावरण के लिए उपयुक्त है।
• Dockerfile-jetson: NVIDIA Jetson उपकरणों के लिए तैयार, इन प्लेटफार्मों के लिए अनुकूलित GPU समर्थन को एकीकृत करना।
• डॉकरफाइल-python: बस के साथ न्यूनतम छवि Python और आवश्यक निर्भरताएं, हल्के अनुप्रयोगों और विकास के लिए आदर्श।
• Dockerfile-conda: Conda स्थापना के साथ Miniconda3 पर आधारित ultralytics पैकेज।

नवीनतम छवि प्राप्त करने और इसे निष्पादित करने के लिए नीचे आदेश दिए गए हैं:

# 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

उपरोक्त कमांड एक इनिशियलाइज़ करता है Docker नवीनतम के साथ कंटेनर ultralytics प्रतिबिंब। वही -it फ्लैग एक छद्म TTY असाइन करता है और STDIN को खुला रखता है, जिससे आप कंटेनर के साथ इंटरैक्ट कर सकते हैं। वही --ipc=host ध्वज IPC (इंटर-प्रोसेस कम्युनिकेशन) नेमस्पेस को होस्ट पर सेट करता है, जो प्रक्रियाओं के बीच मेमोरी साझा करने के लिए आवश्यक है। वही --gpus all ध्वज कंटेनर के अंदर सभी उपलब्ध जीपीयू तक पहुंच को सक्षम बनाता है, जो उन कार्यों के लिए महत्वपूर्ण है जिनके लिए जीपीयू गणना की आवश्यकता होती है।

नोट: कंटेनर के भीतर अपनी स्थानीय मशीन पर फ़ाइलों के साथ काम करने के लिए, कंटेनर में स्थानीय निर्देशिका को माउंट करने के लिए डॉकर वॉल्यूम का उपयोग करें:

# 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

परिवर्तित होना /path/on/host आपकी स्थानीय मशीन पर निर्देशिका पथ के साथ, और /path/in/container अभिगम्यता के लिए डॉकर कंटेनर के अंदर वांछित पथ के साथ।

उन्नत डॉकर उपयोग के लिए, बेझिझक एक्सप्लोर करें Ultralytics डॉकर गाइड।

Ultralytics yolo आदेश निम्न सिंटैक्स का उपयोग करते हैं:

yolo TASK MODE ARGS

• TASK (वैकल्पिक) (पता लगाना, हिस्सा, वर्गीकृत करना, भंगिमा)
• MODE (required) (रेलगाड़ी, वैल, भविष्‍यवाणी करना, निर्यातित माल, ट्रैक)
• ARGS (वैकल्पिक) हैं arg=value जोड़े की तरह imgsz=640 जो डिफ़ॉल्ट को ओवरराइड करता है।

सभी देखें ARGS पूर्ण में कॉन्फ़िगरेशन गाइड या के साथ yolo cfg CLI आज्ञा।

0.01 की प्रारंभिक learning_rate के साथ 10 युगों के लिए एक पहचान मॉडल को प्रशिक्षित करें

yolo train data=coco8.yaml model=yolov8n.pt epochs=10 lr0=0.01

छवि आकार 320 पर एक पूर्व-प्रशिक्षित विभाजन मॉडल का उपयोग करके एक YouTube वीडियो की भविष्यवाणी करें:

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

वैल, बैच-आकार 1 और छवि आकार 640 पर एक पूर्व-प्रशिक्षित पहचान मॉडल:

yolo val model=yolov8n.pt data=coco8.yaml batch=1 imgsz=640

निर्यात a YOLOv8n वर्गीकरण मॉडल को ONNX छवि आकार 224 गुणा 128 पर प्रारूप (कोई कार्य आवश्यक नहीं)

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

संस्करण देखने, सेटिंग देखने, चेक चलाने आदि के लिए विशेष आदेश चलाएँ:

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

आप उपयोग कर सकते हैं Python अपनी सेटिंग देखने के लिए. आयात करके प्रारंभ करें settings ऑब्जेक्ट से ultralytics मॉड्यूल। निम्न आदेशों का उपयोग करके सेटिंग्स मुद्रित करें और वापस करें:

from ultralytics import settings

# View all settings
print(settings)

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

वैकल्पिक रूप से, कमांड-लाइन इंटरफ़ेस आपको एक साधारण कमांड के साथ अपनी सेटिंग्स की जांच करने की अनुमति देता है:

yolo settings

भीतर Python पर्यावरण, कॉल करें update विधि पर settings अपनी सेटिंग्स बदलने पर आपत्ति:

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()

यदि आप कमांड-लाइन इंटरफ़ेस का उपयोग करना पसंद करते हैं, तो निम्न कमांड आपको अपनी सेटिंग्स को संशोधित करने की अनुमति देंगे:

# 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