Vai al contenuto

Avvio rapido

Installa Ultralytics

Ultralytics offre diversi metodi di installazione tra cui pip, conda e Docker. Installa YOLOv8 tramite la pagina ultralytics per l'ultima versione stabile o clonando il pacchetto Ultralytics Repository GitHub per la versione più aggiornata. Docker può essere utilizzato per eseguire il pacchetto in un contenitore isolato, evitando l'installazione locale.



Guarda: Ultralytics YOLO Guida rapida

Installa

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/.

Versione PyPI Download

# 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/.

Ricetta Conda Conda Download Versione Conda Piattaforme Conda

# Install the ultralytics package using conda
conda install -c conda-forge ultralytics

Nota

Se stai installando in un ambiente CUDA, la migliore pratica è quella di installare ultralytics, pytorch e pytorch-cuda nello stesso comando per consentire al gestore di pacchetti conda di risolvere eventuali conflitti, oppure per installare pytorch-cuda per ultimo per consentirgli di sovrascrivere i parametri specifici della CPU pytorch se necessario.

# 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:

Docker tira

  • 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 .

Vedi il ultralytics requisiti.txt per un elenco delle dipendenze. Nota che tutti gli esempi precedenti installano tutte le dipendenze richieste.

Suggerimento

PyTorch I requisiti variano a seconda del sistema operativo e dei requisiti CUDA, quindi si consiglia di installare prima PyTorch seguendo le istruzioni riportate in https://pytorch.org/get-started/locally.

PyTorch Istruzioni per l'installazione

Usa Ultralytics con CLI

L'interfaccia a riga di comando Ultralytics (CLI) consente di eseguire semplici comandi a riga singola senza la necessità di un ambiente Python . CLI non richiede alcuna personalizzazione o codice Python . Puoi semplicemente eseguire tutte le attività dal terminale con il comando yolo comando. Controlla la sezione CLI Guida per saperne di più sull'uso di YOLOv8 dalla linea di comando.

Esempio

Ultralytics yolo utilizza la seguente sintassi:

yolo TASK MODE ARGS

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

Avvertenze

Gli argomenti devono essere passati come arg=val coppie, divise da un uguale = e delimitati da spazi tra le coppie. Non utilizzare -- prefissi o virgole degli argomenti , tra gli argomenti.

  • yolo predict model=yolov8n.pt imgsz=640 conf=0.25 ✅
  • yolo predict model yolov8n.pt imgsz 640 conf 0.25 ❌ (mancante =)
  • yolo predict model=yolov8n.pt, imgsz=640, conf=0.25 ❌ (non usare ,)
  • yolo predict --model yolov8n.pt --imgsz 640 --conf 0.25 ❌ (non usare --)

CLI Guida

Usa Ultralytics con Python

YOLOv8L'interfaccia di Python consente una perfetta integrazione nei progetti Python , facilitando il caricamento, l'esecuzione e l'elaborazione dei risultati del modello. Progettata all'insegna della semplicità e della facilità d'uso, l'interfaccia di Python consente agli utenti di implementare rapidamente il rilevamento, la segmentazione e la classificazione degli oggetti nei loro progetti. Questo rende l'interfaccia di YOLOv8's Python uno strumento prezioso per chiunque voglia incorporare queste funzionalità nei propri progetti Python .

Ad esempio, gli utenti possono caricare un modello, addestrarlo, valutarne le prestazioni su un set di validazione e persino esportarlo in formato ONNX con poche righe di codice. Dai un'occhiata alla Guida diPython per saperne di più sull'uso di YOLOv8 nei tuoi progetti Python .

Esempio

from ultralytics import YOLO

# Create a new YOLO model from scratch
model = YOLO("yolov8n.yaml")

# Load a pretrained YOLO model (recommended for training)
model = YOLO("yolov8n.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")

Python Guida

Ultralytics Impostazioni

La libreria Ultralytics fornisce un potente sistema di gestione delle impostazioni per consentire un controllo a grana fine dei tuoi esperimenti. Utilizzando la libreria SettingsManager ospitato all'interno del ultralytics.utils gli utenti possono accedere facilmente alle loro impostazioni e modificarle. Queste sono memorizzate in un file YAML e possono essere visualizzate o modificate direttamente nell'ambiente Python o tramite l'interfaccia a riga di comando (CLI).

Ispezione delle impostazioni

Per conoscere la configurazione attuale delle tue impostazioni, puoi visualizzarle direttamente:

Visualizza le impostazioni

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

Modifica delle impostazioni

Ultralytics permette agli utenti di modificare facilmente le proprie impostazioni. Le modifiche possono essere effettuate nei seguenti modi:

Aggiorna le impostazioni

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

Capire le impostazioni

La tabella seguente fornisce una panoramica delle impostazioni disponibili per la regolazione all'interno di Ultralytics. Ogni impostazione è descritta con un valore di esempio, il tipo di dati e una breve descrizione.

Nome Esempio di valore Tipo di dati Descrizione
settings_version '0.0.4' str Ultralytics versionedelle impostazioni (diversa dalla versione di Ultralytics pip )
datasets_dir '/path/to/datasets' str La directory in cui sono memorizzati i set di dati
weights_dir '/path/to/weights' str La directory in cui sono memorizzati i pesi del modello
runs_dir '/path/to/runs' str La directory in cui sono memorizzate le esecuzioni dell'esperimento
uuid 'a1b2c3d4' str L'identificativo univoco delle impostazioni correnti
sync True bool Se sincronizzare le analisi e i crash con HUB
api_key '' str Ultralytics Chiave API HUB
clearml True bool Se utilizzare la registrazione di ClearML
comet True bool Se utilizzare Comet ML per il tracciamento e la visualizzazione degli esperimenti
dvc True bool Se utilizzare il DVC per il tracciamento degli esperimenti e il controllo delle versioni
hub True bool Se utilizzare l'integrazione di Ultralytics HUB
mlflow True bool Se utilizzare MLFlow per il tracciamento degli esperimenti
neptune True bool Se utilizzare Neptune per il tracciamento degli esperimenti
raytune True bool Se utilizzare Ray Tune per la regolazione dell'iperparametro
tensorboard True bool Se utilizzare o meno TensorBoard per la visualizzazione
wandb True bool Se utilizzare la registrazione di Weights & Biases

Man mano che navighi nei tuoi progetti o esperimenti, assicurati di rivedere queste impostazioni per assicurarti che siano configurate in modo ottimale per le tue esigenze.



Creato 2023-11-12, Aggiornato 2024-05-18
Autori: glenn-jocher (9), Burhan-Q (1), RizwanMunawar (2), Laughing-q (1), AyushExel (1)

Commenti