सामग्री पर जाएं

क्विकस्टार्ट

पदासीन करना Ultralytics

Ultralytics पाइप, कोंडा और डॉकर सहित विभिन्न स्थापना विधियां प्रदान करता है। पदासीन करना YOLOv8 के माध्यम से ultralytics नवीनतम स्थिर रिलीज के लिए या क्लोन करके pip पैकेज Ultralytics GitHub रिपॉजिटरी सबसे अद्यतित संस्करण के लिए। डॉकर का उपयोग स्थानीय स्थापना से बचते हुए, एक अलग कंटेनर में पैकेज को निष्पादित करने के लिए किया जा सकता है।



सतर्कता: Ultralytics YOLO छिटो सुरु गाइड

पदासीन करना

पिपी - Python विवरण

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/.

PyPI - संस्करण डाउनलोड

# 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 /

कोंडा संस्करण कोंडा डाउनलोड कोंडा पकाने की विधि कोंडा प्लेटफार्म

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

नोट

यदि आप एक में स्थापित कर रहे हैं CUDA पर्यावरण का सबसे अच्छा अभ्यास स्थापित करना है ultralytics, pytorch और pytorch-cuda उसी आदेश में कोंडा पैकेज प्रबंधक को किसी भी संघर्ष को हल करने की अनुमति देने के लिए, या फिर स्थापित करने के लिए pytorch-cuda इसे ओवरराइड करने की अनुमति देने के लिए अंतिम CPU-निश्चित pytorch यदि आवश्यक हो तो पैकेज।

# 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।

GitHub अंतिम प्रतिबद्धता GitHub प्रतिबद्ध गतिविधि

# 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:

डॉकर छवि संस्करण डॉकर पुल

  • डॉकरफाइल: GPU प्रशिक्षण के लिए अनुशंसित छवि।
  • डॉकरफाइल-आर्म64: ARM64 आर्किटेक्चर के लिए अनुकूलित, रास्पबेरी पाई और अन्य ARM64-आधारित प्लेटफार्मों जैसे उपकरणों पर तैनाती की अनुमति देता है।
  • डॉकरफाइल-cpu: उबंटू आधारित CPU-केवल संस्करण GPU के बिना अनुमान और वातावरण के लिए उपयुक्त है।
  • Dockerfile-jetson: के लिए सिलवाया NVIDIA जेटसन डिवाइस, एकीकृत GPU इन प्लेटफार्मों के लिए अनुकूलित समर्थन।
  • 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 करता है, जो उन कार्यों के लिए महत्वपूर्ण है जिनके लिए आवश्यक है GPU गणना।

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

देखें ultralytics पायप्रोजेक्ट.टोएमएल निर्भरताओं की सूची के लिए फ़ाइल। ध्यान दें कि ऊपर दिए गए सभी उदाहरण सभी आवश्यक निर्भरताएं स्थापित करते हैं।

नोक

PyTorch आवश्यकताएँ ऑपरेटिंग सिस्टम और द्वारा भिन्न होती हैं CUDA आवश्यकताओं, इसलिए इसे स्थापित करने की अनुशंसा की जाती है PyTorch पहले निम्नलिखित निर्देशों पर https://pytorch.org/get-started/locally का उपयोग करें।

PyTorch स्थापाना निर्देश

प्रयोग Ultralytics के साथ CLI

वही Ultralytics कमांड लाइन इंटरफ़ेस (CLI) की आवश्यकता के बिना सरल एकल-पंक्ति कमांड की अनुमति देता है a Python पर्यावरण। CLI कोई अनुकूलन की आवश्यकता नहीं है या Python कोड। आप बस टर्मिनल से सभी कार्यों को yolo आज्ञा। बाहर की जाँच करें CLI मार्गदर्शक उपयोग करने के बारे में अधिक जानने के लिए YOLOv8 कमांड लाइन से।

उदाहरण

Ultralytics yolo आदेश निम्न सिंटैक्स का उपयोग करते हैं:

yolo TASK MODE ARGS

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

चेतावनी

तर्कों को इस प्रकार पारित किया जाना चाहिए arg=val जोड़े, एक बराबर से विभाजित = जोड़े के बीच रिक्त स्थान द्वारा साइन और सीमांकित करें। उपयोग न करें -- तर्क उपसर्ग या अल्पविराम , तर्कों के बीच।

  • yolo predict model=yolov8n.pt imgsz=640 conf=0.25
  • yolo predict model yolov8n.pt imgsz 640 conf 0.25 ❌ (लापता =)
  • yolo predict model=yolov8n.pt, imgsz=640, conf=0.25 ❌ (उपयोग न करें ,)
  • yolo predict --model yolov8n.pt --imgsz 640 --conf 0.25 ❌ (उपयोग न करें --)

CLI मार्गदर्शक

प्रयोग Ultralytics के साथ Python

YOLOv8के एस Python इंटरफ़ेस आपके में सहज एकीकरण की अनुमति देता है Python परियोजनाएं, मॉडल के आउटपुट को लोड करना, चलाना और संसाधित करना आसान बनाती हैं। सादगी और उपयोग में आसानी को ध्यान में रखते हुए बनाया गया, Python इंटरफ़ेस उपयोगकर्ताओं को अपनी परियोजनाओं में ऑब्जेक्ट डिटेक्शन, सेगमेंटेशन और वर्गीकरण को जल्दी से लागू करने में सक्षम बनाता है। यह बनाता है YOLOv8के एस Python इंटरफ़ेस इन कार्यात्मकताओं को अपने में शामिल करने के इच्छुक किसी भी व्यक्ति के लिए एक अमूल्य उपकरण Python परियोजनाओं।

उदाहरण के लिए, उपयोगकर्ता एक मॉडल लोड कर सकते हैं, इसे प्रशिक्षित कर सकते हैं, सत्यापन सेट पर इसके प्रदर्शन का मूल्यांकन कर सकते हैं, और यहां तक कि इसे निर्यात भी कर सकते हैं ONNX कोड की कुछ पंक्तियों के साथ प्रारूपित करें। बाहर की जाँच करें Python उपयोग करने के बारे में अधिक जानने के लिए मार्गदर्शिकाYOLOv8 अपने भीतर Python परियोजनाओं।

उदाहरण

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 '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")

Python मार्गदर्शक

Ultralytics सेटिंग्स

वही Ultralytics पुस्तकालय आपके प्रयोगों पर बारीक नियंत्रण को सक्षम करने के लिए एक शक्तिशाली सेटिंग प्रबंधन प्रणाली प्रदान करता है। का उपयोग करके SettingsManager के भीतर रखा गया ultralytics.utils मॉड्यूल, उपयोगकर्ता आसानी से अपनी सेटिंग्स तक पहुंच सकते हैं और बदल सकते हैं। ये एक YAML फ़ाइल में संग्रहीत होते हैं और इन्हें सीधे या तो Python पर्यावरण या कमांड-लाइन इंटरफ़ेस के माध्यम से (CLI).

सेटिंग्स का निरीक्षण

अपनी सेटिंग के वर्तमान कॉन्फ़िगरेशन के बारे में जानकारी प्राप्त करने के लिए, आप उन्हें सीधे देख सकते हैं:

सेटिंग देखें

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

सेटिंग्स संशोधित करना

Ultralytics उपयोगकर्ताओं को अपनी सेटिंग्स को आसानी से संशोधित करने की अनुमति देता है। परिवर्तन निम्नलिखित तरीकों से किए जा सकते हैं:

सेटिंग अपडेट करें

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

सेटिंग्स को समझना

नीचे दी गई तालिका समायोजन के लिए उपलब्ध सेटिंग्स का अवलोकन प्रदान करती है Ultralytics. प्रत्येक सेटिंग को एक उदाहरण मान, डेटा प्रकार और एक संक्षिप्त विवरण के साथ रेखांकित किया गया है।

नाम उदाहरण मान डेटा प्रकार या क़िस्‍म
settings_version '0.0.4' str Ultralytics सेटिंग्स संस्करण (से अलग Ultralytics पीआईपी संस्करण)
datasets_dir '/path/to/datasets' str वह निर्देशिका जहाँ डेटासेट संग्रहीत किए जाते हैं
weights_dir '/path/to/weights' str निर्देशिका जहां मॉडल वजन संग्रहीत किए जाते हैं
runs_dir '/path/to/runs' str वह निर्देशिका जहां प्रयोग चलता है, संग्रहीत की जाती है
uuid 'a1b2c3d4' str वर्तमान सेटिंग्स के लिए अद्वितीय पहचानकर्ता
sync True bool एनालिटिक्स को सिंक करना है या नहीं और क्रैश को हब से सिंक करना है या नहीं
api_key '' str Ultralytics हब एपीआई कुंजी
clearml True bool क्या उपयोग करना है ClearML लॉगिंग
comet True bool क्या उपयोग करना है Comet प्रयोग ट्रैकिंग और विज़ुअलाइज़ेशन के लिए एमएल
dvc True bool प्रयोग ट्रैकिंग और संस्करण नियंत्रण के लिए डीवीसी का उपयोग करें या नहीं
hub True bool क्या उपयोग करना है Ultralytics हब एकीकरण
mlflow True bool प्रयोग ट्रैकिंग के लिए MLFlow का उपयोग करें या नहीं
neptune True bool क्या उपयोग करना है Neptune प्रयोग ट्रैकिंग के लिए
raytune True bool हाइपरपैरामीटर ट्यूनिंग के लिए रे ट्यून का उपयोग करें या नहीं
tensorboard True bool विज़ुअलाइज़ेशन के लिए TensorBoard का उपयोग करें या नहीं
wandb True bool क्या उपयोग करना है Weights & Biases लॉगिंग

अपनी परियोजनाओं या प्रयोगों के माध्यम से नेविगेट करते समय, यह सुनिश्चित करने के लिए इन सेटिंग्स पर फिर से जाना सुनिश्चित करें कि वे आपकी आवश्यकताओं के लिए बेहतर रूप से कॉन्फ़िगर किए गए हैं।

अक्सर पूछे जाने वाले प्रश्न

मैं कैसे स्थापित करूं Ultralytics YOLOv8 पाइप का उपयोग कर रहे हैं?

स्थापित करने के लिए Ultralytics YOLOv8 pip के साथ, निम्न कमांड निष्पादित करें:

pip install ultralytics

नवीनतम स्थिर रिलीज के लिए, यह स्थापित करेगा ultralytics पैकेज से सीधे Python पैकेज इंडेक्स (PyPI)। अधिक जानकारी के लिए, पर जाएँ ultralytics PyPI पर पैकेज.

वैकल्पिक रूप से, आप सीधे GitHub से नवीनतम विकास संस्करण स्थापित कर सकते हैं:

pip install git+https://github.com/ultralytics/ultralytics.git

अपने सिस्टम पर गिट कमांड-लाइन टूल स्थापित करना सुनिश्चित करें।

क्या मैं स्थापित कर सकता हूँ Ultralytics YOLOv8 कोंडा का उपयोग करना?

हाँ, आप स्थापित कर सकते हैं Ultralytics YOLOv8 चलाकर कोंडा का उपयोग करना:

conda install -c conda-forge ultralytics

यह विधि पाइप का एक उत्कृष्ट विकल्प है और आपके वातावरण में अन्य पैकेजों के साथ संगतता सुनिश्चित करती है। के लिए CUDA वातावरण, इसे स्थापित करना सबसे अच्छा है ultralytics, pytorchऔर pytorch-cuda किसी भी संघर्ष को हल करने के लिए एक साथ:

conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=11.8 ultralytics

अधिक निर्देशों के लिए, कोंडा क्विकस्टार्ट गाइड पर जाएं।

चलाने के लिए डॉकर का उपयोग करने के क्या फायदे हैं Ultralytics YOLOv8?

चलाने के लिए डॉकर का उपयोग करना Ultralytics YOLOv8 एक पृथक और सुसंगत वातावरण प्रदान करता है, जो विभिन्न प्रणालियों में सुचारू प्रदर्शन सुनिश्चित करता है। यह स्थानीय स्थापना की जटिलता को भी समाप्त करता है। से आधिकारिक डॉकर छवियां Ultralytics डॉकर हब पर उपलब्ध हैं, जिनके लिए विभिन्न वेरिएंट तैयार किए गए हैंGPU, CPU, एआरएम64, NVIDIA जेटसन, और कोंडा वातावरण। नवीनतम छवि को खींचने और चलाने के आदेश नीचे दिए गए हैं:

# 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 --gpus all ultralytics/ultralytics:latest

अधिक विस्तृत डॉकर निर्देशों के लिए, डॉकर क्विकस्टार्ट गाइड देखें।

मैं क्लोन कैसे करूं Ultralytics विकास के लिए भंडार?

क्लोन करने के लिए Ultralytics रिपॉजिटरी और एक विकास वातावरण सेट करें, निम्न चरणों का उपयोग करें:

# 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 .

यह दृष्टिकोण आपको परियोजना में योगदान करने या नवीनतम स्रोत कोड के साथ प्रयोग करने की अनुमति देता है। अधिक जानकारी के लिए, पर जाएँ Ultralytics GitHub भंडार

मुझे क्यों उपयोग करना चाहिए Ultralytics YOLOv8 CLI?

वही Ultralytics YOLOv8 कमांड लाइन इंटरफ़ेस (CLI) आवश्यकता के बिना चल रहे ऑब्जेक्ट डिटेक्शन कार्यों को सरल करता है Python कोड। आप सीधे अपने टर्मिनल से प्रशिक्षण, सत्यापन और भविष्यवाणी जैसे कार्यों के लिए सिंगल-लाइन कमांड निष्पादित कर सकते हैं। के लिए मूल वाक्यविन्यास yolo आदेश है:

yolo TASK MODE ARGS

उदाहरण के लिए, निर्दिष्ट मापदंडों के साथ एक पहचान मॉडल को प्रशिक्षित करने के लिए:

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

पूरा देखें CLI अधिक कमांड और उपयोग उदाहरणों का पता लगाने के लिए गाइड।



बनाया गया 2023-11-12, अपडेट किया गया 2024-07-04
लेखक: ग्लेन-जोचर (13), बुरहान-क्यू (2), रिजवान मुनव्वर (2), लाफिंग-क्यू (1), आयुषएक्सल (1)

टिप्पणियाँ