Installa Ultralytics#
Ultralytics offre una varietà di metodi di installazione, inclusi pip, conda e Docker. Puoi installare YOLO tramite il pacchetto pip ultralytics per la versione stabile più recente, oppure clonando il repository GitHub di Ultralytics per la versione più aggiornata. Docker è anche un'opzione per eseguire il pacchetto in un contenitore isolato, evitando l'installazione locale.
Watch: Ultralytics YOLO Quick Start Guide
Installa o aggiorna il pacchetto ultralytics usando pip eseguendo pip install -U ultralytics. Per maggiori dettagli sul pacchetto ultralytics, visita il Python Package Index (PyPI).
# Install or upgrade the ultralytics package from PyPI
pip install -U ultralyticsPuoi anche installare ultralytics direttamente dal repository GitHub di Ultralytics. Questo può essere utile se desideri la versione di sviluppo più recente. Assicurati di avere installato lo strumento da riga di comando Git, quindi esegui:
# Install the ultralytics package from GitHub
pip install git+https://github.com/ultralytics/ultralytics.git@mainConsulta il file ultralytics pyproject.toml per un elenco delle dipendenze. Nota che tutti gli esempi sopra installano tutte le dipendenze richieste.
Installazione su server headless#
Per ambienti server senza schermo (ad es. VM cloud, contenitori Docker, pipeline CI/CD), usa il pacchetto ultralytics-opencv-headless. Questo è identico al pacchetto standard ultralytics ma dipende da opencv-python-headless anziché da opencv-python, evitando dipendenze GUI non necessarie e potenziali errori libGL.
pip install ultralytics-opencv-headlessEntrambi i pacchetti forniscono la stessa funzionalità e API. La variante headless esclude semplicemente i componenti GUI di OpenCV che richiedono librerie di visualizzazione.
Installazione avanzata#
Sebbene i metodi di installazione standard coprano la maggior parte dei casi d'uso, potresti aver bisogno di una configurazione più su misura per lo sviluppo o configurazioni personalizzate.
Se hai bisogno di modifiche personalizzate persistenti, puoi effettuare il fork del repository Ultralytics, apportare modifiche a pyproject.toml o ad altro codice e installare dal tuo fork.
- Fai il fork del repository GitHub di Ultralytics sul tuo account GitHub.
- Clona il tuo fork localmente:
git clone https://github.com/YOUR_USERNAME/ultralytics.git cd ultralytics - Crea un nuovo branch per le tue modifiche:
git checkout -b my-custom-branch - Apporta le tue modifiche a
pyproject.tomlo ad altri file secondo necessità. - Esegui commit e push delle tue modifiche:
git add . git commit -m "My custom changes" git push origin my-custom-branch - Installa usando pip con la sintassi
git+https, puntando al tuo branch:pip install git+https://github.com/YOUR_USERNAME/ultralytics.git@my-custom-branch
Usa Ultralytics con la CLI#
L'interfaccia a riga di comando (CLI) di Ultralytics consente semplici comandi su singola riga senza la necessità di un ambiente Python. La CLI non richiede alcuna personalizzazione o codice Python; esegui tutte le attività dal terminale con il comando yolo. Per saperne di più sull'uso di YOLO dalla riga di comando, consulta la Guida CLI.
I comandi yolo di Ultralytics utilizzano la seguente sintassi:
yolo TASK MODE ARGSTASK(facoltativo) è uno tra (detect, segment, semantic, depth, classify, pose, obb)MODE(obbligatorio) è uno tra (train, val, predict, export, track, benchmark)ARGS(facoltativo) sono coppiearg=valuecomeimgsz=640che sovrascrivono i valori predefiniti.
Visualizza tutti i ARGS nella Guida alla configurazione completa o con il comando CLI yolo cfg.
Gli argomenti devono essere passati come coppie arg=value, separate da un segno di uguale = e delimitate da spazi. Non usare prefissi di argomenti -- o virgole , tra gli argomenti.
yolo predict model=yolo26n.pt imgsz=640 conf=0.25✅yolo predict model yolo26n.pt imgsz 640 conf 0.25❌ (manca=)yolo predict model=yolo26n.pt, imgsz=640, conf=0.25❌ (non usare,)yolo predict --model yolo26n.pt --imgsz 640 --conf 0.25❌ (non usare--)yolo solution model=yolo26n.pt imgsz=640 conf=0.25❌ (usasolutions, nonsolution)
Usa Ultralytics con Python#
L'interfaccia Python di Ultralytics YOLO offre un'integrazione perfetta nei progetti Python, facilitando il caricamento, l'esecuzione e l'elaborazione degli output dei modelli. Progettata per la semplicità, l'interfaccia Python consente agli utenti di implementare rapidamente rilevamento di oggetti, segmentazione di istanze, segmentazione semantica, stima della profondità e classificazione. Ciò rende l'interfaccia Python di YOLO uno strumento prezioso per incorporare queste funzionalità nei progetti Python.
Ad esempio, gli utenti possono caricare un modello, addestrarlo, valutarne le prestazioni ed esportarlo nel formato ONNX con poche righe di codice. Esplora la Guida Python per saperne di più sull'uso di YOLO all'interno dei tuoi progetti Python.
from ultralytics import YOLO
# Create a new YOLO model from scratch
model = YOLO("yolo26n.yaml")
# Load a pretrained YOLO model (recommended for training)
model = YOLO("yolo26n.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")Impostazioni di Ultralytics#
La libreria Ultralytics include un SettingsManager per un controllo granulare sugli esperimenti, consentendo agli utenti di accedere e modificare facilmente le impostazioni. Memorizzate in un file JSON all'interno della directory di configurazione utente dell'ambiente, queste impostazioni possono essere visualizzate o modificate nell'ambiente Python o tramite l'interfaccia a riga di comando (CLI).
Ispezione delle impostazioni#
Per visualizzare la configurazione corrente delle tue impostazioni:
Usa Python per visualizzare le tue impostazioni importando l'oggetto settings dal modulo ultralytics. Stampa e restituisci le impostazioni con questi comandi:
from ultralytics import settings
# View all settings
print(settings)
# Return a specific setting
value = settings["runs_dir"]Modifica delle impostazioni#
Ultralytics rende facile modificare le impostazioni nei seguenti modi:
In Python, usa il metodo update sull'oggetto settings:
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()Comprendere le impostazioni#
La tabella seguente offre una panoramica delle impostazioni regolabili all'interno di Ultralytics, inclusi valori di esempio, tipi di dati e descrizioni.
| Nome | Valore di esempio | Tipo di dato | Descrizione |
|---|---|---|---|
settings_version | '0.0.7' | str | Versione delle impostazioni di Ultralytics (diversa dalla versione di Ultralytics [pip]) |
datasets_dir | '/path/to/datasets' | str | Directory in cui sono memorizzati i dataset |
weights_dir | '/path/to/weights' | str | Directory in cui sono memorizzati i pesi dei modelli |
runs_dir | '/path/to/runs' | str | Directory in cui sono memorizzate le esecuzioni degli esperimenti |
uuid | 'a1b2c3d4' | str | Identificatore univoco per le impostazioni correnti |
sync | True | bool | Opzione per sincronizzare analisi e arresti anomali con [Ultralytics Platform] |
api_key | '' | str | Chiave API di [Ultralytics Platform] |
clearml | True | bool | Opzione per utilizzare la registrazione di [ClearML] |
comet | True | bool | Opzione per utilizzare [Comet ML] per il monitoraggio e la visualizzazione degli esperimenti |
dvc | True | bool | Opzione per utilizzare [DVC per experiment tracking][DVC for experiment tracking] e il controllo di versione |
mlflow | True | bool | Opzione per utilizzare [MLFlow] per il monitoraggio degli esperimenti |
raytune | True | bool | Opzione per utilizzare [Ray Tune] per la hyperparameter tuning |
tensorboard | False | bool | Opzione per utilizzare [TensorBoard] per la visualizzazione |
wandb | False | bool | Opzione per utilizzare la registrazione di [Weights & Biases] |
vscode_msg | True | bool | Quando viene rilevato un terminale di VS Code, abilita un prompt per scaricare l'estensione [Ultralytics-Snippets]. |
Rivedi queste impostazioni man mano che avanzi nei progetti o negli esperimenti per garantire una configurazione ottimale.
FAQ#
Installa Ultralytics con pip usando:
pip install -U ultralyticsQuesto installa l'ultima versione stabile del pacchetto
ultralyticsda PyPI. Per installare la versione di sviluppo direttamente da GitHub:pip install git+https://github.com/ultralytics/ultralytics.gitAssicurati che lo strumento da riga di comando Git sia installato sul tuo sistema.
Sì, installa Ultralytics YOLO usando conda con:
conda install -c conda-forge ultralyticsQuesto metodo è un'ottima alternativa a pip, garantendo la compatibilità con altri pacchetti. Per ambienti CUDA, installa
ultralytics,pytorchepytorch-cudainsieme per risolvere i conflitti:conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=12.1 ultralyticsPer ulteriori istruzioni, consulta la Guida rapida a Conda.
Docker fornisce un ambiente isolato e coerente per Ultralytics YOLO, garantendo prestazioni fluide tra i sistemi ed evitando le complessità dell'installazione locale. Le immagini Docker ufficiali sono disponibili su Docker Hub, con varianti per GPU, CPU, ARM64, NVIDIA Jetson e Conda. Per scaricare ed eseguire l'immagine più recente:
# 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 --device nvidia.com/gpu=all ultralytics/ultralytics:latestPer istruzioni dettagliate su Docker, consulta la Guida rapida a Docker.
Clona il repository Ultralytics e configura un ambiente di sviluppo con:
# 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 .Ciò consente di contribuire al progetto o di sperimentare con il codice sorgente più recente. Per i dettagli, visita il repository GitHub di Ultralytics.
La CLI di Ultralytics YOLO semplifica l'esecuzione di attività di rilevamento oggetti senza codice Python, consentendo comandi su riga singola per addestramento, convalida e previsione direttamente dal tuo terminale. La sintassi di base è:
yolo TASK MODE ARGSAd esempio, per addestrare un modello di rilevamento:
yolo train data=coco8.yaml model=yolo26n.pt epochs=10 lr0=0.01Esplora altri comandi ed esempi di utilizzo nella Guida CLI completa.