Condaを使用してUltralytics YOLOをインストールする方法#
このガイドでは、Ultralyticsプロジェクト向けのConda環境のセットアップ手順を説明します。Condaは、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る、オープンソースのパッケージおよび環境管理システムです。独立した環境を備えているため、データサイエンスや機械学習の作業に特に適しています。詳細については、Anaconda上のUltralytics Condaパッケージを参照し、GitHubでパッケージの更新に関するUltralyticsフィードストックリポジトリを確認してください。
このガイドでは、環境の作成、Ultralyticsのインストール、推論の実行、Conda Dockerイメージの使用、およびlibmambaによるインストールの高速化について説明します。
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。
Conda環境のセットアップ#
まず、新しいConda環境を作成します。ターミナルを開き、以下のコマンドを実行します。
conda create --name ultralytics-env python=3.11 -y新しい環境をアクティブ化します。
conda activate ultralytics-envUltralyticsのインストール#
conda-forgeチャンネルからUltralyticsパッケージをインストールできます。以下のコマンドを実行してください。
conda install -c conda-forge ultralyticsCUDA対応環境で作業している場合は、Condaパッケージマネージャーが競合を解決できるように、ultralytics、pytorch、およびpytorch-cudaを一緒にインストールすることをお勧めします。
conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=12.1 ultralyticsUltralyticsの使用#
Ultralyticsがインストールされたので、オブジェクト検出、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し始めることができます。たとえば、画像を予測するには、次を実行します。
from ultralytics import YOLO
model = YOLO("yolo26n.pt") # initialize model
results = model("path/to/image.jpg") # perform inference
results[0].show() # display results for the first imageUltralytics Conda Dockerイメージ#
Dockerの使用を好む場合、UltralyticsはConda環境が含まれるDockerイメージを提供しています。これらのイメージはDockerHubからプルできます。
最新のUltralyticsイメージをプルします。
# Set image name as a variable
t=ultralytics/ultralytics:latest-conda
# Pull the latest Ultralytics image from Docker Hub
sudo docker pull $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 GPUsLinux では、CDI デバイスの要求事項として Docker >= 28.2.0 および NVIDIA Container Toolkit >= 1.18 が必要です。レガシーな --gpus all フラグはホストデーモンの再起動後に GPU 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。詳細は Docker クイックスタートガイド をご覧ください。
Libmambaによるインストール高速化#
libmambaは、Condaの従来のソルバーに代わる、高速でクロスプラットフォームに対応した依存関係認識型ソルバーです。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ているため、ほとんどのインストールは最初から高速になります。
古いCondaバージョンを使用している場合は、手動でlibmambaを有効にすることができます。
-
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 -
次に、Condaがソルバーとして
libmambaを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正常に完了し、機能を確認する準備が整いました。より高度なチュートリアルや例については、Ultralyticsドキュメントを参照してください。
よくある質問 (FAQ)#
UltralyticsプロジェクトのConda環境セットアップは簡単で、円滑なパッケージ管理を保証します。まず、以下のコマンドを使用して新しいConda環境を作成します。
conda create --name ultralytics-env python=3.11 -y次に、以下のコマンドで新しい環境をアクティブ化します。
conda activate ultralytics-env最後に、conda-forgeチャンネルからUltralyticsをインストールします。
conda install -c conda-forge ultralyticsCondaは、pipに比べていくつかの利点を持つ、堅牢なパッケージおよび環境管理システムです。依存関係を効率的に管理し、必要なすべてのライブラリの互換性を確保します。Condaの独立した環境はパッケージ間の競合を防ぎ、これはデータサイエンスや機械学習プロジェクトにおいて不可欠です。さらに、Condaはバイナリパッケージの配布をサポートしており、インストールプロセスを高速化します。
はい、CUDA対応環境を利用することでパフォーマンスを向上させることができます。競合を回避するために、
ultralytics、pytorch、およびpytorch-cudaを一緒にインストールするようにしてください。conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=12.1 ultralyticsこのセットアップによりGPUアクセラレーションが有効になり、ディープラーニングモデルのトレーニングや推論などの集中的なタスクに不可欠です。詳細については、Ultralyticsインストールガイドをご覧ください。
Ultralytics Dockerイメージを使用することで、一貫性があり再現可能な環境が保証され、「自分のマシンでは動く」といった問題を排除できます。これらのイメージには事前に構成されたConda環境が含まれており、セットアッププロセスが簡素化されます。以下のコマンドを使用して、最新のUltralytics Dockerイメージをプルして実行できます。
sudo docker pull ultralytics/ultralytics:latest-conda sudo docker run -it --ipc=host --device nvidia.com/gpu=all ultralytics/ultralytics:latest-conda # all GPUs sudo docker run -it --ipc=host --device nvidia.com/gpu=2 --device nvidia.com/gpu=3 ultralytics/ultralytics:latest-conda # specify GPUsこのアプローチは、手動の設定なしで本番環境にアプリケーションをデプロイしたり、複雑なワークフローを実行したりするのに最適です。Ultralytics Conda Docker Imageの詳細をご覧ください。
Conda 23.10以降では、高速な
libmambaソルバーがデフォルトで既に使用されています。古いCondaバージョンでは、最初にconda-libmamba-solverパッケージをインストールすることで、手動で有効にすることができます。conda install conda-libmamba-solver次に、Condaがソルバーとして
libmambaを使用するように設定します。conda config --set solver libmambaこのセットアップにより、より高速で効率的なパッケージ管理が実現します。環境の最適化に関するその他のヒントについては、libmambaのインストールをお読みください。