Avvio rapido

Installa il programma ultralytics utilizzando pip, oppure aggiorna un'installazione esistente eseguendo pip install -U ultralytics. Visita il sito Python Package Index (PyPI) per maggiori dettagli sul programma. ultralytics pacchetto: https://pypi.org/project/ultralytics/.

# Install the ultralytics package from PyPI
pip install ultralytics

Puoi anche installare il programma ultralytics direttamente dal pacchetto GitHub deposito. Questo può essere utile se vuoi avere l'ultima versione di sviluppo. Assicurati di avere installato sul tuo sistema lo strumento a riga di comando Git. Il @main installa il file main e può essere modificato in un altro ramo, ad es. @my-brancho rimosso del tutto per passare all'impostazione predefinita di main ramo.

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

Conda è un gestore di pacchetti alternativo a pip che può essere utilizzato per l'installazione. Per maggiori dettagli visita Anaconda all'indirizzo https://anaconda.org/conda-forge/ultralytics. Ultralytics repository feedstock per l'aggiornamento del pacchetto conda si trova all'indirizzo https://github.com/conda-forge/ultralytics-feedstock/.

# 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 di Conda

Ultralytics Le immagini Docker di Conda sono disponibili anche su DockerHub. Queste immagini sono basate su Miniconda3 e sono un modo semplice per iniziare a usare 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 ultralytics se sei interessato a contribuire allo sviluppo o desideri sperimentare il codice sorgente più recente. Dopo la clonazione, naviga nella 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 senza problemi il programma ultralytics in un contenitore isolato, assicurando prestazioni coerenti e fluide in vari ambienti. Scegliendo uno dei pacchetti ufficiali ultralytics immagini da Hub DockerUltralytics offre 5 immagini Docker principali supportate, ognuna delle quali è stata progettata per garantire un'elevata compatibilità ed efficienza per diverse piattaforme e casi d'uso:

• Profilo Docker: Immagine GPU consigliata per la formazione.
• Dockerfile-arm64: Ottimizzato per l'architettura ARM64, consente la distribuzione su dispositivi come Raspberry Pi e altre piattaforme basate su ARM64.
• Dockerfile-cpu: versione per sola CPU basata su Ubuntu e adatta all'inferenza e agli ambienti senza GPU.
• Dockerfile-jetson: Personalizzato per i dispositivi NVIDIA Jetson, integra il supporto GPU ottimizzato per queste piattaforme.
• Dockerfile-python: Immagine minimale con solo Python e le dipendenze necessarie, ideale per applicazioni leggere e di sviluppo.
• Dockerfile-conda: basato su Miniconda3 con l'installazione di conda del pacchetto ultralytics .

Di seguito sono riportati i comandi per ottenere l'ultima immagine 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 di cui sopra inizializza un contenitore Docker con l'ultima versione di ultralytics immagine. Il -it assegna una pseudo-TTY e mantiene aperto lo stdin, permettendoti di interagire con il contenitore. Il flag --ipc=host imposta lo spazio dei nomi IPC (Inter-Process Communication) all'host, essenziale per condividere la memoria tra i processi. Il flag --gpus all permette di accedere a tutte le GPU disponibili all'interno del contenitore, il che è fondamentale per le attività che richiedono il calcolo su GPU.

Nota: per lavorare con i file sul tuo computer locale all'interno del contenitore, usa i volumi Docker per montare una directory locale nel contenitore:

# 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

Alter /path/on/host con il percorso della directory sul tuo computer locale e /path/in/container con il percorso desiderato all'interno del contenitore Docker per l'accessibilità.

Per un utilizzo avanzato di Docker, non esitare a consultare la Guida Docker di Ultralytics .

Ultralytics yolo utilizza la seguente sintassi:

yolo TASK MODE ARGS

• TASK (opzionale) è uno dei seguenti (rilevare, segmento, classificare, posa)
• MODE (richiesto) è uno dei seguenti (treno, valore, Prevedere, esportazione, binario)
• ARGS (opzionale) sono arg=value coppie come imgsz=640 che sovrascrivono le impostazioni predefinite.

Vedi tutti ARGS nella versione completa Guida alla configurazione o con l'opzione yolo cfg CLI comando.

Addestra un modello di rilevamento per 10 epoche con un tasso di apprendimento iniziale di 0,01.

yolo train data=coco8.yaml model=yolov8n.pt epochs=10 lr0=0.01

Prevedere un video di YouTube utilizzando un modello di segmentazione preaddestrato con dimensioni dell'immagine pari a 320:

yolo predict model=yolov8n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320

Val un modello di rilevamento preaddestrato alla dimensione del lotto 1 e alla dimensione dell'immagine 640:

yolo val model=yolov8n.pt data=coco8.yaml batch=1 imgsz=640

Esporta un modello di classificazione YOLOv8n in formato ONNX con dimensioni dell'immagine 224 per 128 (non è richiesto alcun TASK)

yolo export model=yolov8n-cls.pt format=onnx imgsz=224,128

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

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

Puoi utilizzare Python per visualizzare le tue impostazioni. Inizia importando il file settings dall'oggetto ultralytics modulo. Stampa e restituisci le impostazioni utilizzando i seguenti comandi:

from ultralytics import settings

# View all settings
print(settings)

# Return a specific setting
value = settings['runs_dir']

In alternativa, l'interfaccia a riga di comando ti permette di verificare le tue impostazioni con un semplice comando:

yolo settings

All'interno dell'ambiente Python , chiama il metodo update sul metodo settings per modificare le impostazioni:

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()

Se preferisci utilizzare l'interfaccia a riga di comando, i seguenti comandi ti permetteranno di modificare le impostazioni:

# 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