Installa Ultralytics#
Installa il pacchetto ultralytics con pip, conda o Docker, oppure dal codice sorgente, quindi esegui la tua prima predizione con un modello YOLO26 pretrained. Ogni metodo installa tutte le dipendenze richieste elencate in pyproject.toml.
Installa o aggiorna il pacchetto ultralytics in un ambiente con Python>=3.8 e PyTorch>=1.8:
pip install -U ultralyticsPer installare la versione di sviluppo più recente, installa direttamente dal repository GitHub di Ultralytics:
pip install git+https://github.com/ultralytics/ultralytics.git@mainI requisiti di PyTorch variano in base al sistema operativo e alla versione di CUDA. Per usare una build specifica, installa prima PyTorch seguendo le istruzioni di installazione di PyTorch, poi installa ultralytics. Per le GPU AMD su Linux, installa una build ROCm di PyTorch come descritto nella guida all'integrazione AMD.
Usare Ultralytics con la CLI#
Esegui la tua prima predizione dal terminale con il comando yolo:
yolo predict model=yolo26n.ptI pesi yolo26n.pt preaddestrati vengono scaricati automaticamente, il modello viene eseguito su due immagini di esempio incluse nel pacchetto e, alla prima esecuzione, il comando indica dove ha salvato i risultati annotati: runs/detect/predict. Indirizza source a un'immagine, un video, una directory, un URL o uno stream, oppure a una webcam con source=0:
yolo predict model=yolo26n.pt source=0 show=Truepredict è la modalità, ovvero cosa fare con il modello: train, val, predict, export, track o benchmark. Il task (detect, segment, semantic, depth, classify, pose o obb) viene letto dal file del modello, quindi la sintassi yolo TASK MODE ARGS di solito richiede solo la modalità e coppie arg=value come imgsz=640. Consulta la guida alla CLI per tutte le modalità e la pagina Configurazione per tutti gli argomenti.
Usare Ultralytics con Python#
La stessa predizione in Python:
from ultralytics import YOLO
model = YOLO("yolo26n.pt") # carica un modello di rilevamento YOLO26n preaddestrato
results = model("https://ultralytics.com/images/bus.jpg", save=True) # esegui la predizione e salva l'immagine annotataresults è un elenco di oggetti Results, uno per immagine, che contengono box, maschere, keypoint o probabilità delle classi, a seconda del task. La guida Python illustra addestramento, convalida, esportazione e tracking usando la stessa classe YOLO.
Guarda: Guida rapida a Ultralytics YOLO
Impostazioni di Ultralytics#
Le impostazioni persistenti, come le directory dei dataset, dei pesi e delle esecuzioni, la chiave API della piattaforma Ultralytics e le opzioni degli strumenti di registrazione degli esperimenti, sono memorizzate in un file JSON gestito con yolo settings. Consulta la pagina Impostazioni per visualizzarle, modificarle o reimpostarle.
E adesso?#
Esplora le modalità di esecuzione di YOLO e le dimensioni dei modelli YOLO26, quindi addestra sui tuoi dati dopo averli formattati con la guida ai dataset.
Per scoprire cosa ci aspetta, esplora YOLO27 (in arrivo). I suoi modelli non sono ancora disponibili; gli esempi precedenti usano la famiglia YOLO26 già rilasciata.
Domande frequenti#
Installa Ultralytics con pip usando:
pip install -U ultralyticsIn questo modo installi l'ultima versione stabile del pacchetto
ultralyticsda PyPI. Per installare direttamente da GitHub la versione in sviluppo:pip install git+https://github.com/ultralytics/ultralytics.gitAssicurati che lo strumento a riga di comando Git sia installato nel tuo sistema.
Sì, crea un ambiente conda con Python e Ultralytics YOLO in un unico comando, quindi attivalo:
conda create --name ultralytics-env -c conda-forge python=3.11 ultralytics torchvision -y conda activate ultralytics-envQuesto metodo è un'ottima alternativa a pip e garantisce la compatibilità con altri pacchetti. Per gli ambienti CUDA, aggiungi il metapacchetto
pytorch-gpuallo stesso comando, così conda seleziona una build di PyTorch con supporto CUDA:conda create --name ultralytics-env -c conda-forge python=3.11 ultralytics torchvision pytorch-gpu -y conda activate ultralytics-envPer altre istruzioni, consulta la guida introduttiva rapida a Conda.
Docker fornisce un ambiente isolato e coerente per Ultralytics YOLO, garantendo prestazioni fluide su sistemi diversi 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:latestSu Linux, le richieste di dispositivi CDI richiedono Docker >= 28.2.0 e NVIDIA Container Toolkit >= 1.18. Per istruzioni dettagliate su Docker, consulta la guida introduttiva 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 .Questo ti permette di contribuire al progetto o di sperimentare con il codice sorgente più recente. Per usare i fork e fissare una versione a un branch personalizzato, consulta la pagina Installazione per lo sviluppo.
La CLI di Ultralytics YOLO semplifica l'esecuzione di task di rilevamento degli oggetti senza codice Python e consente di eseguire comandi in una sola riga per addestramento, convalida e predizione direttamente dal terminale. La sintassi di base è:
yolo TASK MODE ARGSPer esempio, per addestrare un modello di rilevamento:
yolo train data=coco8.yaml model=yolo26n.pt epochs=10Scopri altri comandi ed esempi d'uso nella guida completa alla CLI.