Come installare Ultralytics YOLO con Conda#

Questa guida spiega come configurare un ambiente Conda per i tuoi progetti Ultralytics. Conda è un sistema di gestione di pacchetti e ambienti open-source che offre un'alternativa eccellente a pip per l'installazione di pacchetti e dipendenze. I suoi ambienti isolati lo rendono particolarmente adatto al lavoro di data science e machine learning. Per maggiori dettagli, visita il pacchetto Ultralytics Conda su Anaconda e dai un'occhiata al repository feedstock di Ultralytics per gli aggiornamenti dei pacchetti su GitHub.

Questa guida spiega come creare un ambiente, installare Ultralytics, eseguire l'inferenza, utilizzare l'immagine Docker di Conda e accelerare le installazioni con libmamba.

Prerequisiti#

Dovresti avere Anaconda o Miniconda installati sul tuo sistema. In caso contrario, scaricali e installali da Anaconda o Miniconda.

Configurazione di un ambiente Conda#

Per prima cosa, crea un nuovo ambiente Conda. Apri il terminale ed esegui il seguente comando:

conda create --name ultralytics-env python=3.11 -y

Attiva il nuovo ambiente:

conda activate ultralytics-env

Installazione di Ultralytics#

Puoi installare il pacchetto Ultralytics dal canale conda-forge. Esegui il seguente comando:

conda install -c conda-forge ultralytics

conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=12.1 ultralytics

Utilizzo di Ultralytics#

Con Ultralytics installato, puoi iniziare a usare le sue robuste funzionalità per il rilevamento di oggetti, la segmentazione delle istanze e altro ancora. Ad esempio, per fare una predizione su un'immagine, puoi eseguire:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # initialize model
results = model("path/to/image.jpg")  # perform inference
results[0].show()  # display results for the first image

Immagine Docker di Ultralytics Conda#

Se preferisci usare Docker, Ultralytics offre immagini Docker con un ambiente Conda incluso. Puoi prelevare queste immagini da DockerHub.

Esegui il pull dell'ultima immagine di Ultralytics:

# Set image name as a variable
t=ultralytics/ultralytics:latest-conda

# Pull the latest Ultralytics image from Docker Hub
sudo docker pull $t

Esegui l'immagine:

# Run the Ultralytics image in a container with GPU support
sudo docker run -it --ipc=host --device nvidia.com/gpu=all $t                         # all GPUs
sudo docker run -it --ipc=host --device nvidia.com/gpu=2 --device nvidia.com/gpu=3 $t # specify GPUs

Su Linux, le richieste di dispositivi CDI richiedono Docker >= 28.2.0 e NVIDIA Container Toolkit >= 1.18. Il flag legacy --gpus all può perdere l'accesso alla GPU dopo i riavvii del daemon dell'host, quindi aggiorna i vecchi host Linux e usa invece --device. Vedi la Guida rapida a Docker per i dettagli.

Velocizzare l'installazione con Libmamba#

libmamba è un resolver veloce, multi-piattaforma e consapevole delle dipendenze che sostituisce il classico resolver di Conda. Conda 23.10 e versioni successive utilizzano già libmamba come resolver predefinito, quindi la maggior parte delle installazioni è più veloce fin da subito.

Se usi una versione di Conda precedente, puoi abilitare libmamba manualmente:

1. Per prima cosa, installa il pacchetto conda-libmamba-solver:

   conda install conda-libmamba-solver

2. Successivamente, configura Conda per usare libmamba come resolver:

   conda config --set solver libmamba

Hai configurato con successo un ambiente Conda, installato il pacchetto Ultralytics e ora sei pronto a esplorarne le funzionalità. Per tutorial ed esempi più avanzati, consulta la documentazione di Ultralytics.

FAQ#