Ultralytics YOLO27:

Installa Ultralytics#

Installa il pacchetto ultralytics con pip, conda o Docker, oppure dai sorgenti, quindi esegui la tua prima predizione con un modello YOLO26 preaddestrato. Ciascun metodo installa tutte le dipendenze richieste elencate in pyproject.toml.

Installazione

Installa o aggiorna il pacchetto ultralytics in un ambiente Python>=3.8 con PyTorch>=1.8:

pip install -U ultralytics

Per l'ultima versione di sviluppo, installa direttamente dal repository GitHub di Ultralytics:

pip install git+https://github.com/ultralytics/ultralytics.git@main
Suggerimento

I requisiti di PyTorch variano in base al sistema operativo e alla versione di CUDA. Per utilizzare una build specifica, installa prima PyTorch seguendo le istruzioni di installazione di PyTorch, quindi installa ultralytics.

Usa Ultralytics con la CLI#

Esegui la tua prima predizione dal terminale con il comando yolo:

yolo predict model=yolo26n.pt

I pesi preaddestrati di yolo26n.pt vengono scaricati automaticamente, il modello viene eseguito su due immagini campione incluse e il comando stampa dove ha salvato i risultati annotati, runs/detect/predict al primo avvio. Punta source alla tua immagine, video, directory, URL o flusso, oppure a una webcam con source=0:

yolo predict model=yolo26n.pt source=0 show=True

predict 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 di yolo TASK MODE ARGS solitamente richiede solo la modalità più coppie arg=value come imgsz=640. Consulta la Guida CLI per ogni modalità e la pagina di Configurazione per tutti gli argomenti.

Usa Ultralytics con Python#

La stessa predizione in Python:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # load a pretrained YOLO26n detection model
results = model("https://ultralytics.com/images/bus.jpg", save=True)  # predict and save the annotated image

results è un elenco di oggetti Results, uno per immagine, contenente box, maschere, keypoint o probabilità di classe a seconda del task. La Guida Python copre addestramento, validazione, export e tracciamento con la stessa classe YOLO.



Watch: Ultralytics YOLO Quick Start Guide

Impostazioni di Ultralytics#

Le impostazioni persistenti come le directory dei dataset, dei pesi e delle esecuzioni, la chiave API della Piattaforma Ultralytics e gli interruttori del logger degli esperimenti si trovano in un file JSON gestito con yolo settings. Consulta la pagina Impostazioni per visualizzarle, modificarle o ripristinarle.

E adesso?#

Sfoglia le modalità in cui YOLO viene eseguito e le dimensioni dei modelli YOLO26, quindi addestra sui tuoi dati dopo averli formattati con la Guida ai dataset.

Per uno sguardo al futuro, esplora YOLO27 (In arrivo). I suoi modelli non sono ancora disponibili; gli esempi precedenti utilizzano la famiglia YOLO26 rilasciata.

FAQ#

  • Installa Ultralytics con pip usando:

    pip install -U ultralytics

    Questo installa l'ultima versione stabile del pacchetto ultralytics da PyPI. Per installare la versione di sviluppo direttamente da GitHub:

    pip install git+https://github.com/ultralytics/ultralytics.git

    Assicurati 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 ultralytics

    Questo metodo è un'ottima alternativa a pip, garantendo la compatibilità con altri pacchetti. Per gli ambienti CUDA, installa ultralytics insieme al metapacchetto pytorch-gpu in modo che conda selezioni una build di PyTorch abilitata per CUDA:

    conda install -c conda-forge ultralytics pytorch-gpu

    Per ulteriori istruzioni, consulta la Guida rapida a Conda.

  • Docker fornisce un ambiente isolato e coerente per Ultralytics YOLO, garantendo prestazioni fluide tra i vari sistemi ed evitando la 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'ultima immagine:

    # 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:latest

    Su 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 di avvio rapido di Docker.

  • Clona il repository di 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 contributi al progetto o sperimentazioni con l'ultimo codice sorgente. Per i fork e la fijazione di un branch personalizzato, consulta l'Installazione di sviluppo.

  • La CLI di Ultralytics YOLO semplifica l'esecuzione di attività di rilevamento oggetti senza codice Python, consentendo comandi su singola riga per l'addestramento, la validazione e la predizione direttamente dal tuo terminale. La sintassi di base è:

    yolo TASK MODE ARGS

    Ad esempio, per addestrare un modello di rilevamento:

    yolo train data=coco8.yaml model=yolo26n.pt epochs=10 lr0=0.01

    Esplora altri comandi ed esempi d'uso nella Guida CLI completa.

Contributori
GLglenn-jocher39RIRizwanMunawar6RAraimbekovm4LALaughing-q3PDpderrenger3BUBurhan-Q3ONonuralpszr2JKjk4e2SEsergiuwaxmann1BOBovey08091FCfcakyon1LAlakshanthad1PIpicsalex1LEleonnil1MAMatthewNoyce1

Commenti