CondaでUltralytics YOLOをインストールする方法#

このガイドでは、Ultralyticsプロジェクト用のConda環境を構築する方法を説明します。Condaはオープンソースのパッケージ・環境管理システムであり、パッケージや依存関係のインストールにおいてpipの優れた代替手段となります。分離された環境を利用できるため、データサイエンスや機械学習に特に適しています。詳細については、AnacondaのUltralytics Condaパッケージをご覧いただき、パッケージの更新情報についてはGitHubのUltralytics feedstockリポジトリをご確認ください。

このガイドでは、Ultralyticsを使って環境を作成する方法、推論を実行する方法、Conda Dockerイメージの使用方法、libmambaでインストールを高速化する方法を説明します。

前提条件#

システムにAnacondaまたはMinicondaがインストールされている必要があります。インストールされていない場合は、AnacondaまたはMinicondaからダウンロードしてインストールしてください。

Ultralyticsのインストール#

conda-forgeチャンネルからUltralyticsを含む新しいConda環境を作成し、その後で有効化します。Python、Ultralytics、およびtorchvision（conda-forgeパッケージの依存関係ではありません）を同じコマンドでインストールすると、condaが互換性のある最新バージョンをまとめて解決します。

conda create --name ultralytics-env -c conda-forge python=3.11 ultralytics torchvision -y
conda activate ultralytics-env

conda create --name ultralytics-env -c conda-forge python=3.11 ultralytics torchvision pytorch-gpu -y
conda activate ultralytics-env

ROCm環境に関する注意（AMD GPU、Linux）#

ROCmを使用してLinuxでAMD GPUアクセラレーションを利用する場合、PyTorch ROCmホイールはCondaでは提供されていないため、pipでインストールする必要があります。分離環境としてConda環境を使用し、その後pipでPyTorch ROCmとUltralyticsをインストールしてください。

conda create --name ultralytics-rocm python=3.12 -y
conda activate ultralytics-rocm
pip install "torch[device-all]" "torchvision[device-all]" --index-url https://stable.repo.amd.com/rocm/whl-next/
pip install ultralytics

サポート対象のROCmバージョンについてはPyTorchのスタートガイドを、MIGraphX推論のセットアップについてはAMD GPUガイドをご覧ください。MIGraphX推論には、Linux x86_64上でPython 3.11以降が必要です。

Ultralyticsの使用#

Ultralyticsをインストールすると、物体検出、インスタンスセグメンテーションなどの強力な機能を利用できます。たとえば、画像を予測するには、次のコマンドを実行します。

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # モデルを初期化
results = model("path/to/image.jpg")  # 推論を実行
results[0].show()  # 最初の画像の結果を表示

Ultralytics Conda Dockerイメージ#

Conda Dockerfileでは、conda-forgeのPyTorch 2.13、torchvision 0.28、CUDA 13.0を使用します。conda-forgeのリリースは、標準GPUイメージで使用されるPyTorch pipリリースより遅れることがあります。latest-condaの自動公開は無効になっているため、最新のイメージをローカルでビルドしてください。

git clone https://github.com/ultralytics/ultralytics
cd ultralytics
t=ultralytics-conda:local
sudo docker build -f docker/Dockerfile-conda -t $t .

イメージを実行します。

# Run the Ultralytics image in a container with GPU support
sudo docker run -it --ipc=host --device nvidia.com/gpu=all $t                         # all GPUs
sudo docker run -it --ipc=host --device nvidia.com/gpu=2 --device nvidia.com/gpu=3 $t # specify GPUs

Linuxでは、CDIデバイスリクエストにDocker >= 28.2.0およびNVIDIA Container Toolkit >= 1.18が必要です。従来の--gpus allフラグは、ホストデーモンの再読み込み後にGPUへのアクセスを失う可能性があるため、古いLinuxホストをアップグレードし、代わりに--deviceを使用してください。詳細については、Dockerクイックスタートガイドをご覧ください。

Libmambaでインストールを高速化する#

libmamba は、高速でクロスプラットフォームに対応し、依存関係を考慮するソルバーで、Conda の従来のソルバーを置き換えます。Conda 23.10 以降では、すでに libmamba がデフォルトのソルバーとして使用されるため、ほとんどの環境でインストール直後から処理が高速になります。

古いバージョンの Conda を使用している場合は、libmamba を手動で有効にできます。

1. まず、conda-libmamba-solver パッケージをインストールします。

   conda install conda-libmamba-solver

2. 次に、Conda が libmamba をソルバーとして使用するように設定します。

   conda config --set solver libmamba

Conda 環境のセットアップと Ultralytics パッケージのインストールが完了しました。これで、その機能を試す準備が整いました。より高度なチュートリアルや例については、Ultralytics のドキュメントをご覧ください。

よくある質問#