Come installare Ultralytics YOLO con Conda#

Questa guida illustra come configurare un ambiente Conda per i tuoi progetti Ultralytics. Conda è un sistema open source per la gestione dei pacchetti e degli ambienti che offre un'ottima alternativa a pip per installare pacchetti e dipendenze. I suoi ambienti isolati lo rendono particolarmente adatto al lavoro di data science e machine learning. Per ulteriori dettagli, visita il pacchetto Conda di Ultralytics su Anaconda e consulta il 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 velocizzare le installazioni con libmamba.

Prerequisiti#

Dovresti avere Anaconda o Miniconda installato nel tuo sistema. In caso contrario, scaricalo e installalo da Anaconda o Miniconda.

Configurazione di un ambiente Conda#

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

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 comando seguente:

conda install -c conda-forge ultralytics

conda install -c conda-forge ultralytics pytorch-gpu

Utilizzo di Ultralytics#

Dopo aver installato Ultralytics, puoi iniziare a utilizzare le sue potenti funzionalità per il rilevamento degli oggetti, la segmentazione delle istanze e altro ancora. Ad esempio, per fare una previsione 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 Conda di Ultralytics#

Il Conda Dockerfile utilizza conda-forge PyTorch 2.13, torchvision 0.28 e CUDA 13.0. Le versioni di conda-forge possono subire ritardi rispetto alle versioni pip di PyTorch utilizzate dall'immagine GPU standard. La pubblicazione automatica di latest-conda è disabilitata, quindi compila l'immagine corrente localmente:

git clone https://github.com/ultralytics/ultralytics
cd ultralytics
t=ultralytics-conda:local
sudo docker build -f docker/Dockerfile-conda -t $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 far perdere l'accesso alla GPU dopo il ricaricamento dei demoni dell'host, quindi aggiorna gli host Linux meno recenti e utilizza invece --device. Consulta la Guida introduttiva a Docker per maggiori dettagli.

Velocizzare l'installazione con Libmamba#

libmamba è un risolutore veloce, multipiattaforma e consapevole delle dipendenze che sostituisce il risolutore classico di Conda. Conda 23.10 e versioni successive utilizzano già libmamba come risolutore predefinito, quindi la maggior parte delle installazioni è più veloce fin dall'inizio.

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

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

   conda install conda-libmamba-solver

2. Successivamente, configura Conda in modo che utilizzi libmamba come risolutore:

   conda config --set solver libmamba

Hai configurato correttamente un ambiente Conda e installato il pacchetto Ultralytics; ora puoi esplorarne le funzionalità. Per tutorial ed esempi più avanzati, consulta la documentazione di Ultralytics.

FAQ#