Installa Ultralytics

Installa o aggiorna il ultralytics package usando pip eseguendo pip install -U ultralytics. Per maggiori dettagli sul ultralytics package, visita il Python Package Index (PyPI).

# Install the ultralytics package from PyPI
pip install ultralytics

È anche possibile installare ultralytics direttamente dalla repository GitHub di Ultralytics. Questo può essere utile se desideri l'ultima versione di sviluppo. Assicurati di avere lo strumento da riga di comando Git installato, quindi esegui:

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

Conda può essere utilizzato come gestore di pacchetti alternativo a pip. Per maggiori dettagli, visita Anaconda. Il repository di feedstock di Ultralytics per l'aggiornamento del pacchetto conda è disponibile su GitHub.

# 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

Immagine Docker Conda

Le immagini Docker di Ultralytics Conda sono disponibili anche da DockerHub. Queste immagini sono basate su Miniconda3 e forniscono un modo semplice per iniziare a utilizzare ultralytics in un ambiente Conda.

# 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

Clona il repository repository GitHub di Ultralytics se sei interessato a contribuire allo sviluppo o desideri sperimentare con il codice sorgente più recente. Dopo aver clonato, accedi alla directory e installa il pacchetto in modalità modificabile -e utilizzando pip.

# 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 .

Utilizza Docker per eseguire il ultralytics package in un container isolato, garantendo prestazioni coerenti in vari ambienti. Selezionando uno degli ufficiali ultralytics da Docker Hub, si evita la complessità dell'installazione locale e si ottiene l'accesso a un ambiente di lavoro verificato. Ultralytics offre cinque immagini Docker principali supportate, ciascuna progettata per un'elevata compatibilità ed efficienza:

• Dockerfile: Immagine GPU consigliata per l'addestramento.
• Dockerfile-arm64: Ottimizzato per l'architettura ARM64, adatto per la distribuzione su dispositivi come Raspberry Pi e altre piattaforme basate su ARM64.
• Dockerfile-cpu: Versione basata su Ubuntu solo CPU, adatta per l'inferenza e ambienti senza GPU.
• Dockerfile-jetson: Realizzato su misura per i dispositivi NVIDIA Jetson, integrando il supporto GPU ottimizzato per queste piattaforme.
• Dockerfile-python: Immagine minima con solo python e le dipendenze necessarie, ideale per applicazioni leggere e sviluppo.
• Dockerfile-conda: Basato su Miniconda3 con un'installazione conda di ultralytics package.

Ecco i comandi per ottenere l'immagine più recente ed eseguirla:

# 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

Il comando sopra riportato inizializza un container Docker con l'ultima ultralytics immagine. Il flag -it flags assegnano uno pseudo-TTY e mantengono aperto stdin, consentendo l'interazione con il container. Il --ipc=host imposta il namespace IPC (Inter-Process Communication) sull'host, essenziale per la condivisione della memoria tra i processi. Il flag --gpus all flag abilita l'accesso a tutte le GPU disponibili all'interno del container, fondamentale per le attività che richiedono calcolo tramite GPU.

Nota: Per lavorare con i file sulla tua macchina locale all'interno del container, usa i volumi Docker per montare una directory locale nel container:

# 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

Sostituisci /path/on/host con il percorso della directory sulla macchina locale e /path/in/container con il percorso desiderato all'interno del container Docker.

Per un utilizzo avanzato di Docker, esplora la Guida a Docker di Ultralytics.

Puoi installare il ultralytics pacchetto core senza dipendenze utilizzando pip --no-deps flag. Questo richiede l'installazione manuale di tutte le dipendenze necessarie in seguito.

1. Installa ultralytics core:

   pip install ultralytics --no-deps
   

2. Installa manualmente le dipendenze: Devi installare tutti i pacchetti richiesti elencati nel pyproject.toml file, sostituendo o modificando le versioni secondo necessità. Per l'esempio di OpenCV headless:

   # Install other core dependencies
   pip install torch torchvision numpy matplotlib polars pyyaml pillow psutil requests scipy seaborn ultralytics-thop
   
   # Install headless OpenCV instead of the default
   pip install opencv-python-headless
   

Se hai bisogno di modifiche personalizzate persistenti (come usare sempre opencv-python-headless), puoi creare un fork del repository Ultralytics, apportare modifiche a pyproject.toml o altro codice, e installa dal tuo fork.

1. Fork del repository GitHub di Ultralytics sul tuo account GitHub.
2. Clona il tuo fork localmente:

   git clone https://github.com/YOUR_USERNAME/ultralytics.git
   cd ultralytics
   

3. Crea un nuovo ramo per le tue modifiche:

   git checkout -b custom-opencv
   

4. Modifica pyproject.toml: Apri pyproject.toml in un editor di testo e sostituisci la riga contenente "opencv-python>=4.6.0" con "opencv-python-headless>=4.6.0" (modificare la versione in base alle esigenze).
5. Commit e push le tue modifiche:

   git add pyproject.toml
   git commit -m "Switch to opencv-python-headless"
   git push origin custom-opencv
   

6. Installa utilizzando pip con il git+https sintassi, che punta al tuo branch:

   pip install git+https://github.com/YOUR_USERNAME/ultralytics.git@custom-opencv
   

Questo metodo garantisce che il tuo set di dipendenze personalizzato venga utilizzato ogni volta che installi da questo URL specifico. Vedi il Metodo 4 per l'utilizzo in un requirements.txt file.

Simile al metodo standard "Git Clone" per lo sviluppo, puoi clonare il repository localmente, modificare i file di dipendenza prima dell'installazione e quindi installare in modalità modificabile.

1. Clona il repository Ultralytics:

   git clone https://github.com/ultralytics/ultralytics
   cd ultralytics
   

2. Modifica pyproject.toml: Modifica il file per apportare le modifiche desiderate. Ad esempio, usa sed (su Linux/macOS) o un editor di testo per sostituire opencv-python con opencv-python-headless. L'utilizzo di sed (verify the exact line in pyproject.toml primo):

   # Example: Replace the line starting with "opencv-python..."
   # Adapt the pattern carefully based on the current file content
   sed -i'' -e 's/^\s*"opencv-python>=.*",/"opencv-python-headless>=4.8.0",/' pyproject.toml
   

   Oppure modifica manualmente pyproject.toml per modificare "opencv-python>=... a "opencv-python-headless>=...".
3. Installa il pacchetto in modalità modificabile (-e). Pip utilizzerà ora il file modificato. pyproject.toml per risolvere e installare le dipendenze:

   pip install -e .
   

Questo approccio è utile per testare le modifiche locali alle dipendenze o alle configurazioni di build prima di eseguirne il commit o per impostare ambienti di sviluppo specifici.

Se gestisci le dipendenze del tuo progetto utilizzando un requirements.txt file, puoi specificare il tuo fork personalizzato di Ultralytics direttamente al suo interno. Ciò garantisce che chiunque configuri il progetto ottenga la tua versione specifica con le sue dipendenze modificate (come opencv-python-headless).

1. Crea o modifica requirements.txt: Aggiungi una riga che punta al tuo fork e branch personalizzati (come preparato nel Metodo 2).
   requirements.txt

   # Core dependencies
   numpy
   matplotlib
   polars
   pyyaml
   Pillow
   psutil
   requests>=2.23.0
   torch>=1.8.0 # Or specific version/variant
   torchvision>=0.9.0 # Or specific version/variant
   
   # Install ultralytics from a specific git commit or branch
   # Replace YOUR_USERNAME and custom-branch with your details
   git+https://github.com/YOUR_USERNAME/ultralytics.git@custom-branch
   
   # Other project dependencies
   flask
   # ... etc
   

   Nota: non è necessario elencare le dipendenze già richieste dal tuo custom ultralytics fork (come opencv-python-headless) qui, dato che pip li installerà in base al fork pyproject.toml.
2. Installa dipendenze dal file:

   pip install -r requirements.txt
   

Questo metodo si integra perfettamente con i flussi di lavoro standard di gestione delle dipendenze dei progetti Python, consentendoti al contempo di fissare ultralytics alla tua sorgente Git personalizzata.

Ultralytics yolo i comandi utilizzano la seguente sintassi:

yolo TASK MODE ARGS

Vedi tutti i ARGS nel completo Guida alla Configurazione o con il comando yolo cfg CLI.

Addestra un modello di rilevamento per 10 epoche con un tasso di apprendimento iniziale di 0.01:

yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01

Esegui una prediction su un video di YouTube utilizzando un modello di segmentazione pre-addestrato con una dimensione dell'immagine di 320:

yolo predict model=yolo11n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320

Convalida di un modello di rilevamento pre-addestrato con una dimensione del batch di 1 e una dimensione dell'immagine di 640:

yolo val model=yolo11n.pt data=coco8.yaml batch=1 imgsz=640

Esporta un modello di classificazione YOLOv11n in formato ONNX con una dimensione dell'immagine di 224x128 (nessuna TASK richiesta):

yolo export model=yolo11n-cls.pt format=onnx imgsz=224,128

Conta gli oggetti in un video o in uno streaming live utilizzando YOLO11:

yolo solutions count show=True

yolo solutions count source="path/to/video.mp4" # specify video file path

Monitorare gli esercizi di allenamento utilizzando un modello di posa YOLO11:

yolo solutions workout show=True

yolo solutions workout source="path/to/video.mp4" # specify video file path

# Use keypoints for ab-workouts
yolo solutions workout kpts="[5, 11, 13]" # left side
yolo solutions workout kpts="[6, 12, 14]" # right side

Utilizza YOLO11 per contare gli oggetti in una coda o regione designata:

yolo solutions queue show=True

yolo solutions queue source="path/to/video.mp4" # specify video file path

yolo solutions queue region="[(20, 400), (1080, 400), (1080, 360), (20, 360)]" # configure queue coordinates

Esegui il rilevamento di oggetti, la segmentazione di istanze o la stima della posa in un browser web utilizzando Streamlit:

yolo solutions inference

yolo solutions inference model="path/to/model.pt" # use model fine-tuned with Ultralytics Python package

Esegui comandi speciali per visualizzare la versione, le impostazioni, eseguire controlli e altro:

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

Utilizza python per visualizzare le tue impostazioni importando il settings oggetto dal ultralytics modulo. 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"]

L'interfaccia a riga di comando consente di verificare le impostazioni con:

yolo settings

In Python, usa il update metodo sull'oggetto settings object:

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()

Per modificare le impostazioni usando l'interfaccia a riga di comando:

# 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