Ultralytics 설치

다음을 설치하거나 업데이트합니다. ultralytics pip를 사용하여 다음을 실행하여 패키지를 설치합니다. pip install -U ultralytics입니다. 자세한 내용은 ultralytics 패키지에 대한 자세한 내용은 Python Package Index (PyPI).

# Install the ultralytics package from PyPI
pip install ultralytics

설치할 수도 있습니다. ultralytics 다음을 통해 직접 Ultralytics GitHub 저장소최신 개발 버전을 사용하려는 경우에 유용할 수 있습니다. Git 명령줄 도구가 설치되어 있는지 확인한 후 다음을 실행합니다.

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

Conda는 pip의 대안으로 사용할 수 있는 패키지 관리자입니다. 자세한 내용은 Anaconda를 방문하십시오. conda 패키지 업데이트를 위한 Ultralytics feedstock 저장소는 GitHub에서 확인할 수 있습니다.

# 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

Conda Docker 이미지

Ultralytics Conda Docker 이미지는 다음에서도 사용할 수 있습니다. DockerHub이러한 이미지는 다음을 기반으로 합니다. Miniconda3 다음 사용을 시작하는 간단한 방법을 제공합니다. ultralytics Conda 환경에서.

# 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 --runtime=nvidia --gpus all $t            # all GPUs
sudo docker run -it --ipc=host --runtime=nvidia --gpus '"device=2,3"' $t # specify GPUs

다음 저장소를 복제합니다. Ultralytics GitHub 저장소 개발에 기여하거나 최신 소스 코드를 실험하고 싶다면 가능합니다. 클론 후 디렉토리로 이동하여 편집 가능한 모드로 패키지를 설치하십시오. -e pip를 사용하여.

# 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 .

Docker를 사용하여 다음을 실행합니다. ultralytics 패키지는 격리된 컨테이너에서 일관된 성능을 보장합니다. 공식 패키지 중 하나를 선택하면 ultralytics 다음에서 이미지를 가져올 수 있습니다. Docker Hub을(를) 사용하면 로컬 설치의 복잡성을 피하고 검증된 작업 환경에 액세스할 수 있습니다. Ultralytics는 높은 호환성과 효율성을 위해 설계된 5가지 주요 지원 Docker 이미지를 제공합니다.

• Dockerfile: 훈련에 권장되는 GPU 이미지입니다.
• Dockerfile-arm64: ARM64 아키텍처에 최적화되어 Raspberry Pi 및 기타 ARM64 기반 플랫폼과 같은 장치에 배포하는 데 적합합니다.
• Dockerfile-cpu: Ubuntu 기반 CPU 전용 버전으로, GPU가 없는 추론 및 환경에 적합합니다.
• Dockerfile-jetson: NVIDIA Jetson 장치에 맞게 조정되었으며, 이러한 플랫폼에 최적화된 GPU 지원을 통합합니다.
• Dockerfile-python: 경량 애플리케이션 및 개발에 이상적인 Python 및 필요한 종속성만 포함된 최소 이미지입니다.
• Dockerfile-conda: Miniconda3를 기반으로 conda를 설치하여 ultralytics 패키지를 참조하십시오.

최신 이미지를 가져와 실행하는 명령어는 다음과 같습니다.

# 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 --runtime=nvidia --gpus all $t            # all GPUs
sudo docker run -it --ipc=host --runtime=nvidia --gpus '"device=2,3"' $t # specify GPUs

위의 명령은 최신 이미지를 사용하여 Docker 컨테이너를 초기화합니다. ultralytics 이미지. -it 플래그는 의사 TTY를 할당하고 stdin을 열어 컨테이너와 상호 작용할 수 있도록 합니다. --ipc=host 플래그는 IPC(프로세스 간 통신) 네임스페이스를 호스트로 설정하며, 이는 프로세스 간에 메모리를 공유하는 데 필수적입니다. --gpus all 플래그는 컨테이너 내부의 사용 가능한 모든 GPU에 대한 액세스를 활성화하며, 이는 GPU 계산이 필요한 작업에 매우 중요합니다. -it 플래그는 유사 TTY를 할당하고 stdin을 열어두어 컨테이너와의 상호 작용을 가능하게 합니다. 여기서 --ipc=host 플래그는 IPC(프로세스 간 통신) 네임스페이스를 호스트로 설정하며, 이는 프로세스 간에 메모리를 공유하는 데 필수적입니다. --gpus all 플래그는 컨테이너 내부에서 사용 가능한 모든 GPU에 접근할 수 있도록 하며, GPU 연산이 필요한 작업에 매우 중요합니다.

참고: 컨테이너 내에서 로컬 시스템의 파일로 작업하려면 Docker 볼륨을 사용하여 로컬 디렉토리를 컨테이너에 마운트하십시오.

# 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

다음을 대체하십시오. /path/on/host 을 로컬 시스템의 디렉터리 경로로 변경하고 /path/in/container Docker 컨테이너 내부의 원하는 경로로 바꿉니다.

고급 Docker 사용법은 Ultralytics Docker 가이드를 참조하십시오.

다음을 설치할 수 있습니다. ultralytics pip를 사용하여 종속성 없이 core 패키지를 --no-deps 플래그입니다. 이렇게 하려면 필요한 모든 종속성을 수동으로 설치해야 합니다.

1. 설치 ultralytics 코어:

   pip install ultralytics --no-deps
   

2. 수동으로 종속성 설치: 다음에 나열된 필요한 모든 패키지를 설치해야 합니다. pyproject.toml 파일에서 필요에 따라 버전을 대체하거나 수정합니다. 헤드리스 OpenCV 예제의 경우:

   # Install other core dependencies
   pip install torch torchvision numpy matplotlib polars pyyaml pillow psutil requests scipy ultralytics-thop
   
   # Install headless OpenCV instead of the default
   pip install opencv-python-headless
   

영구적인 사용자 정의 수정이 필요한 경우 (예: 항상 사용) opencv-python-headless), Ultralytics 저장소를 포크하여 변경할 수 있습니다. pyproject.toml 또는 다른 코드를 사용하고 포크에서 설치합니다.

1. Ultralytics GitHub 저장소를 포크(Fork)하여 자신의 GitHub 계정으로 가져옵니다.
2. 복제 로컬에서 포크:

   git clone https://github.com/YOUR_USERNAME/ultralytics.git
   cd ultralytics
   

3. 새 브랜치 생성 변경 사항:

   git checkout -b custom-opencv
   

4. 수정 pyproject.toml: 열기 pyproject.toml 텍스트 편집기에서 다음 줄을 포함하는 줄을 바꾸십시오. "opencv-python>=4.6.0" 와 함께 "opencv-python-headless>=4.6.0" (필요에 따라 버전 조정).
5. 커밋 및 푸시 변경 사항:

   git add pyproject.toml
   git commit -m "Switch to opencv-python-headless"
   git push origin custom-opencv
   

6. 설치 pip와 함께 사용 git+https 구문, 브랜치 가리키기:

   pip install git+https://github.com/YOUR_USERNAME/ultralytics.git@custom-opencv
   

이 방법은 특정 URL에서 설치할 때마다 사용자 정의 종속성 세트가 사용되도록 보장합니다. 이에 대한 사용법은 방법 4를 참조하십시오. requirements.txt 파일.

개발을 위한 표준 "Git Clone" 방식과 유사하게, 로컬에 저장소를 복제하고 설치 전에 종속성 파일을 수정하여 편집 가능한 모드로 설치할 수 있습니다.

1. 복제 Ultralytics 저장소:

   git clone https://github.com/ultralytics/ultralytics
   cd ultralytics
   

2. 수정 pyproject.toml: 원하는 대로 변경하려면 파일을 편집하십시오. 예를 들어, sed (Linux/macOS에서) 또는 텍스트 편집기를 사용하여 다음을 바꿉니다. opencv-python 와 함께 opencv-python-headless. 사용: sed (정확한 라인 확인) pyproject.toml 첫 번째):

   # Example: Replace the line starting with "opencv-python..."
   # Adapt the pattern carefully based on the current file content
   sed -i'' -e 's/^\s*"opencv-python>=.*",/"opencv-python-headless>=4.8.0",/' pyproject.toml
   

   또는 수동으로 편집 pyproject.toml 변경하려면 "opencv-python>=... 에서 "opencv-python-headless>=...".
3. 설치 편집 가능한 모드의 패키지(-e). 이제 Pip는 수정된 파일을 사용합니다. pyproject.toml 종속성을 해결하고 설치하려면:

   pip install -e .
   

이 접근 방식은 종속성에 대한 로컬 변경 사항 또는 빌드 구성을 커밋하기 전에 테스트하거나 특정 개발 환경을 설정하는 데 유용합니다.

프로젝트 종속성을 사용하여 관리하는 경우 requirements.txt 파일에서 사용자 정의 Ultralytics 포크를 직접 지정할 수 있습니다. 이렇게 하면 프로젝트를 설정하는 모든 사람이 수정된 종속성(예: opencv-python-headless)입니다.

1. 생성 또는 편집 requirements.txt: (방법 2에서 준비된 대로) 사용자 정의 포크 및 브랜치를 가리키는 줄을 추가합니다.
   requirements.txt

   # Core dependencies
   numpy
   matplotlib
   polars
   pyyaml
   Pillow
   psutil
   requests>=2.23.0
   torch>=1.8.0 # Or specific version/variant
   torchvision>=0.9.0 # Or specific version/variant
   
   # Install ultralytics from a specific git commit or branch
   # Replace YOUR_USERNAME and custom-branch with your details
   git+https://github.com/YOUR_USERNAME/ultralytics.git@custom-branch
   
   # Other project dependencies
   flask
   # ... etc
   

   참고: 사용자 정의에 필요한 종속성을 이미 나열할 필요가 없습니다. ultralytics 포크(예: opencv-python-headless) 여기서 가져옵니다. pip가 해당 포크의 내용을 기반으로 설치하기 때문입니다. pyproject.toml.
2. 설치 파일의 종속성:

   pip install -r requirements.txt
   

이 방법은 표준 Python 프로젝트 종속성 관리 워크플로와 원활하게 통합되면서도 버전을 고정할 수 있습니다. ultralytics 사용자 정의된 Git 소스에 연결합니다.

Ultralytics yolo 명령은 다음 구문을 사용합니다.

yolo TASK MODE ARGS

전체 내용은 ARGS 에서 확인하십시오. 구성 가이드 또는 다음을 사용하십시오. yolo cfg CLI 명령.

초기 학습률이 0.01인 상태로 10 epoch 동안 탐지 모델을 학습합니다:

yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01

이미지 크기 320에서 사전 학습된 segmentation 모델을 사용하여 YouTube 비디오를 예측합니다:

yolo predict model=yolo11n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320

배치 크기가 1이고 이미지 크기가 640인 사전 학습된 감지 모델의 유효성을 검사합니다.

yolo val model=yolo11n.pt data=coco8.yaml batch=1 imgsz=640

YOLOv11n 분류 모델을 이미지 크기 224x128로 ONNX 형식으로 내보내기 (TASK 불필요):

yolo export model=yolo11n-cls.pt format=onnx imgsz=224,128

YOLO11을 사용하여 비디오 또는 라이브 스트림에서 객체 수를 계산합니다:

yolo solutions count show=True

yolo solutions count source="path/to/video.mp4" # specify video file path

YOLO11 포즈 모델을 사용하여 운동 자세를 모니터링합니다:

yolo solutions workout show=True

yolo solutions workout source="path/to/video.mp4" # specify video file path

# Use keypoints for ab-workouts
yolo solutions workout kpts="[5, 11, 13]" # left side
yolo solutions workout kpts="[6, 12, 14]" # right side

YOLO11을 사용하여 지정된 대기열 또는 영역에서 객체 수를 계산합니다.

yolo solutions queue show=True

yolo solutions queue source="path/to/video.mp4" # specify video file path

yolo solutions queue region="[(20, 400), (1080, 400), (1080, 360), (20, 360)]" # configure queue coordinates

Streamlit을 사용하여 웹 브라우저에서 객체 감지, 인스턴스 분할 또는 포즈 추정을 수행합니다.

yolo solutions inference

yolo solutions inference model="path/to/model.pt" # use model fine-tuned with Ultralytics Python package

버전 확인, 설정 보기, 검사 실행 등을 위한 특수 명령을 실행합니다.

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

python을 사용하여 설정을 보려면 다음을 가져옵니다. settings 객체를 가져옵니다. ultralytics 모듈. 다음 명령으로 설정을 출력하고 반환합니다.

from ultralytics import settings

# View all settings
print(settings)

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

명령줄 인터페이스를 사용하면 다음 명령으로 설정을 확인할 수 있습니다:

yolo settings

python에서 다음을 사용하십시오. update 메서드를 settings object:

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()

명령줄 인터페이스를 사용하여 설정을 수정하려면:

# 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