설치 Ultralytics

Q: How do I install Ultralytics using pip?

다음을 사용하여 pip로 Ultralytics 설치합니다: 이렇게 하면 PyPI에서 최신 안정 버전의 ultralytics 패키지를 설치합니다. GitHub에서 직접 개발 버전을 설치하려면 다음과 같이 하세요: 시스템에 Git 명령줄 도구가 설치되어 있는지 확인합니다.

Q: Can I install Ultralytics YOLO using conda?

예, 콘다를 사용하여 Ultralytics YOLO 설치하세요: 이 방법은 pip를 대체할 수 있는 훌륭한 방법이며 다른 패키지와의 호환성을 보장합니다. CUDA 환경의 경우, 충돌을 해결하기 위해 ultralytics, pytorch 및 cuda 함께 설치하세요: 자세한 지침은 Conda 빠른 시작 가이드를 참조하세요.

Ultralytics pip, conda, Docker 등 다양한 설치 방법을 제공합니다. YOLO 다음을 통해 설치할 수 있습니다. ultralytics pip 패키지를 사용하거나, 최신 안정 릴리스를 위해 Ultralytics GitHub 리포지토리 를 검색하여 최신 버전을 확인하세요. Docker는 로컬 설치를 피하기 위해 격리된 컨테이너에서 패키지를 실행하는 옵션도 있습니다.

Watch: Ultralytics YOLO 빠른 시작 가이드

설치

Pip 설치(권장)콘다 설치Git 복제Docker

설치 또는 업데이트 ultralytics 패키지를 실행하여 pip install -U ultralytics. 에 대한 자세한 내용은 ultralytics 패키지에서 Python 패키지 색인(PyPI).

# Install the ultralytics package from PyPI
pip install ultralytics

다음을 설치할 수도 있습니다. ultralytics 에서 직접 Ultralytics GitHub 리포지토리. 최신 개발 버전을 원할 때 유용할 수 있습니다. Git 명령줄 도구가 설치되어 있는지 확인한 다음 실행합니다:

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

Conda는 pip의 대체 패키지 관리자로 사용할 수 있습니다. 자세한 내용은 Anaconda를 참조하세요. 콘다 패키지 업데이트를 위한 Ultralytics 피드스톡 리포지토리는 GitHub에서 확인할 수 있습니다.

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

참고

CUDA 환경에 설치하는 경우 다음을 설치하는 것이 가장 좋습니다. ultralytics, pytorch및 pytorch-cuda 를 같은 명령에 추가하세요. 이렇게 하면 콘다 패키지 관리자가 충돌을 해결할 수 있습니다. 또는 다음을 설치하세요. pytorch-cuda 를 마지막으로 재정의하여 CPU pytorch 패키지를 사용하세요.

# Install all packages together using conda
conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=11.8 ultralytics

콘다 도커 이미지

Ultralytics 콘다 도커 이미지는 다음에서도 사용할 수 있습니다. 도커허브. 이 이미지는 다음을 기반으로 합니다. 미니콘다3 사용을 시작할 수 있는 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 --gpus all $t            # all GPUs
sudo docker run -it --ipc=host --gpus '"device=2,3"' $t # specify GPUs

복제 Ultralytics GitHub 리포지토리 개발 기여에 관심이 있거나 최신 소스 코드를 실험해보고 싶으시다면 패키지를 다운로드하세요. 복제한 후 디렉터리로 이동하여 편집 모드에서 패키지를 설치합니다. -e 핍을 사용합니다.

# 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 .

도커를 사용하여 ultralytics 패키지를 격리된 컨테이너에 보관하여 다양한 환경에서 일관된 성능을 보장합니다. 공식 패키지 중 하나를 선택하면 ultralytics 이미지의 도커 허브를 사용하면 로컬 설치의 복잡성을 피하고 검증된 작업 환경에 액세스할 수 있습니다. Ultralytics 높은 호환성과 효율성을 위해 설계된 5가지 주요 지원 Docker 이미지를 제공합니다:

도커 파일: GPU 교육용으로 권장되는 이미지입니다.
도커파일-arm64: ARM64 아키텍처에 최적화되어 있으며, 라즈베리 파이 및 기타 ARM64 기반 플랫폼과 같은 장치에 배포하기에 적합합니다.
cpu: 우분투 기반 CPU 버전으로, 추론 및 GPU가 없는 환경에 적합합니다.
도커파일-젯슨: NVIDIA Jetson 장치에 맞게 조정되어 이러한 플랫폼에 최적화된 GPU 지원을 통합합니다.
도커파일-python: Python 및 필요한 종속성만 있는 최소한의 이미지로 경량 애플리케이션 및 개발에 이상적입니다.
도커파일-콘다: 미니콘다3 기반에 콘다 설치가 포함된 ultralytics 패키지입니다.

다음은 최신 이미지를 가져와 실행하는 명령어입니다:

# 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

위의 명령은 최신 도커 컨테이너를 초기화합니다. ultralytics 이미지. 이미지 -it 플래그는 의사 TTY를 할당하고 stdin을 열어두어 컨테이너와 상호작용할 수 있도록 합니다. 컨테이너의 --ipc=host 플래그는 프로세스 간 메모리 공유에 필수적인 IPC(프로세스 간 통신) 네임스페이스를 호스트에 설정합니다. 그리고 --gpus all 플래그를 사용하면 컨테이너 내에서 사용 가능한 모든 GPU에 액세스할 수 있으며, 이는 GPU 연산이 필요한 작업에 매우 중요합니다.

참고: 컨테이너 내에서 로컬 컴퓨터의 파일로 작업하려면 Docker 볼륨을 사용하여 로컬 디렉터리를 컨테이너에 마운트하세요:

# 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

교체 /path/on/host 를 로컬 컴퓨터의 디렉터리 경로로 대체하고 /path/in/container 를 Docker 컨테이너 내부에 원하는 경로로 설정합니다.

고급 Docker 사용법에 대해서는 Ultralytics Docker 가이드를 참조하세요.

참조 ultralytics pyproject.toml 파일에서 종속성 목록을 확인하세요. 위의 모든 예제에서는 필요한 모든 종속성을 설치합니다.

팁

PyTorch 요구 사항은 운영 체제 및 CUDA 요구 사항에 따라 다르므로 먼저 다음 지침에 따라 PyTorch 설치하십시오. PyTorch.

다음에서 Ultralytics 사용 CLI

Ultralytics 명령줄 인터페이스CLI를 사용하면 Python 환경 없이도 간단한 한 줄 명령으로 작업을 수행할 수 있습니다. CLI 사용자 지정이나 Python 코드가 필요하지 않으며, 터미널에서 모든 작업을 실행할 때 yolo 명령어를 사용하세요. 명령줄에서 YOLO 사용하는 방법에 대한 자세한 내용은 CLI 가이드.

예

구문기차예측Val내보내기Count운동대기열Streamlit을 사용한 추론스페셜

Ultralytics yolo 명령은 다음 구문을 사용합니다:

yolo TASK MODE ARGS

- TASK (선택 사항)은 (감지, 세그먼트, 분류, 포즈, obb) - MODE (필수)는 (기차, val, 예측, 내보내기, 트랙, 벤치마크) - ARGS (선택 사항)은 다음과 같습니다. arg=value 같은 imgsz=640 기본값을 재정의할 수 있습니다.

모두 보기 ARGS 전체 보기 구성 가이드 또는 yolo cfg CLI 명령을 사용합니다.

초기 학습률 0.01로 10개의 에포크에 대한 탐지 모델을 훈련합니다:

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

이미지 크기 320에서 사전 학습된 세그먼테이션 모델을 사용하여 YouTube 동영상을 예측합니다:

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

배치 크기가 1이고 이미지 크기가 640인 사전 학습된 탐지 모델의 유효성을 검사합니다:

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

이미지 크기가 224x128인 ONNX 형식으로 YOLOv11n 분류 모델을 내보냅니다(작업 필요 없음):

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

YOLO11 사용하여 동영상 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 동작을 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

YOLO11 사용하여 지정된 대기열 또는 영역에 있는 개체를 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

스트림릿을 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

특수 명령을 실행하여 버전 확인, 설정 보기, 검사 실행 등을 할 수 있습니다:

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

경고

인수는 다음과 같이 전달되어야 합니다. arg=value 쌍, 등호로 나눈 = 기호로 구분하고 공백으로 구분합니다. 사용하지 마십시오. -- 인수 접두사 또는 쉼표 , 인자 사이에 있습니다.

yolo predict model=yolo11n.pt imgsz=640 conf=0.25 ✅
yolo predict model yolo11n.pt imgsz 640 conf 0.25 ❌ (누락됨 =)
yolo predict model=yolo11n.pt, imgsz=640, conf=0.25 ❌ (사용하지 마십시오 ,)
yolo predict --model yolo11n.pt --imgsz 640 --conf 0.25 ❌ (사용하지 마십시오 --)
yolo solution model=yolo11n.pt imgsz=640 conf=0.25 ❌ (사용 solutions가 아닌 solution)

CLI 가이드

다음에서 Ultralytics 사용 Python

Ultralytics YOLO Python 인터페이스는 Python 프로젝트에 원활하게 통합되어 모델 출력을 쉽게 로드, 실행 및 처리할 수 있습니다. 단순성을 위해 설계된 Python 인터페이스를 통해 사용자는 객체 감지, 세분화, 분류를 신속하게 구현할 수 있습니다. 따라서 YOLO Python 인터페이스는 이러한 기능을 Python 프로젝트에 통합하는 데 매우 유용한 도구입니다.

예를 들어, 사용자는 몇 줄의 코드만으로 모델을 로드하고, 훈련하고, 성능을 평가하고, ONNX 형식으로 내보낼 수 있습니다. Python 프로젝트에서 YOLO 사용하는 방법에 대해 자세히 알아보려면 Python 가이드를 살펴보세요.

예

from ultralytics import YOLO

# Create a new YOLO model from scratch
model = YOLO("yolo11n.yaml")

# Load a pretrained YOLO model (recommended for training)
model = YOLO("yolo11n.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 가이드

Ultralytics 설정

Ultralytics 라이브러리에는 다음이 포함됩니다. SettingsManager 를 사용하여 실험을 세밀하게 제어할 수 있어 사용자가 설정에 쉽게 액세스하고 수정할 수 있습니다. 이러한 설정은 환경의 사용자 구성 디렉토리에 있는 JSON 파일에 저장되며, Python 환경 또는 명령줄 인터페이스CLI를 통해 확인하거나 수정할 수 있습니다.

설정 검사

설정의 현재 구성을 보려면 다음과 같이 하세요:

설정 보기

PythonCLI

Python 사용하여 설정을 확인하려면 settings 객체에서 ultralytics 모듈을 사용합니다. 다음 명령을 사용하여 설정을 인쇄하고 반환합니다:

from ultralytics import settings

# View all settings
print(settings)

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

명령줄 인터페이스를 통해 설정을 확인할 수 있습니다:

yolo settings

설정 수정하기

다음과 같은 방법으로 설정을 쉽게 수정할 수 있습니다:

설정 업데이트

PythonCLI

Python update 메서드의 settings 객체입니다:

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 다음과 같이 하세요:

# 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

설정 이해

아래 표에는 예제 값, 데이터 유형 및 설명을 포함하여 Ultralytics 내에서 조정 가능한 설정에 대한 개요가 나와 있습니다.

이름	예제 값	데이터 유형	설명
`settings_version`	`'0.0.4'`	`str`	Ultralytics 설정 버전( Ultralytics pip 버전과 구분)
`datasets_dir`	`'/path/to/datasets'`	`str`	데이터 세트가 저장된 디렉터리
`weights_dir`	`'/path/to/weights'`	`str`	모델 가중치가 저장되는 디렉토리
`runs_dir`	`'/path/to/runs'`	`str`	실험 실행이 저장되는 디렉터리
`uuid`	`'a1b2c3d4'`	`str`	현재 설정에 대한 고유 식별자
`sync`	`True`	`bool`	분석 및 충돌을 Ultralytics 허브에 동기화하는 옵션
`api_key`	`''`	`str`	Ultralytics HUB API 키
`clearml`	`True`	`bool`	사용 옵션 ClearML 로깅
`comet`	`True`	`bool`	실험 추적 및 시각화를 위해 Comet ML을 사용하는 옵션
`dvc`	`True`	`bool`	실험 추적 및 버전 관리를 위해 DVC를 사용하는 옵션
`hub`	`True`	`bool`	Ultralytics HUB 통합 사용 옵션
`mlflow`	`True`	`bool`	실험 추적에 MLFlow를 사용하는 옵션
`neptune`	`True`	`bool`	사용 옵션 Neptune 실험 추적을 위한 옵션
`raytune`	`True`	`bool`	하이퍼파라미터 튜닝을 위한 레이 튠 사용 옵션
`tensorboard`	`True`	`bool`	시각화를 위한 텐서보드 사용 옵션
`wandb`	`True`	`bool`	사용 옵션 Weights & Biases 로깅
`vscode_msg`	`True`	`bool`	VS 코드 터미널이 감지되면 Ultralytics 확장 프로그램을 다운로드하라는 메시지를 표시합니다.

프로젝트나 실험을 진행하면서 이러한 설정을 다시 검토하여 최적의 구성을 보장하세요.

자주 묻는 질문

pip를 사용하여 Ultralytics 설치하려면 어떻게 하나요?

다음을 사용하여 핍과 함께 Ultralytics 설치합니다:

pip install ultralytics

이렇게 하면 최신 안정 버전의 ultralytics 패키지에서 PyPI. GitHub에서 개발 버전을 직접 설치하려면:

pip install git+https://github.com/ultralytics/ultralytics.git

Git 명령줄 도구가 시스템에 설치되어 있는지 확인합니다.

콘다를 사용하여 Ultralytics YOLO 설치할 수 있나요?

예, 콘다를 사용하여 Ultralytics YOLO 설치합니다:

conda install -c conda-forge ultralytics

이 방법은 pip의 훌륭한 대안으로 다른 패키지와의 호환성을 보장합니다. CUDA 환경의 경우 ultralytics, pytorch및 pytorch-cuda 갈등을 해결하기 위해 함께 노력합니다:

conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=11.8 ultralytics

자세한 지침은 Conda 빠른 시작 가이드를 참조하세요.

도커를 사용하여 Ultralytics YOLO 을 실행하면 어떤 이점이 있나요?

Docker는 Ultralytics YOLO 위한 격리되고 일관된 환경을 제공하여 시스템 전반에서 원활한 성능을 보장하고 로컬 설치의 복잡성을 방지합니다. 공식 Docker 이미지는 Docker Hub에서 사용할 수 있으며, GPU, CPU, ARM64, NVIDIA Jetson 및 Conda에 대한 변형이 있습니다. 최신 이미지를 가져와 실행하려면 다음과 같이 하세요:

# Pull the latest ultralytics image from Docker Hub
sudo docker pull ultralytics/ultralytics:latest

# Run the ultralytics image in a container with GPU support
sudo docker run -it --ipc=host --gpus all ultralytics/ultralytics:latest

자세한 도커 지침은 도커 빠른 시작 가이드를 참조하세요.

개발을 위해 Ultralytics 리포지토리를 복제하려면 어떻게 하나요?

Ultralytics 리포지토리를 복제하고 다음을 사용하여 개발 환경을 설정합니다:

# 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 .

이를 통해 프로젝트에 기여하거나 최신 소스 코드를 실험해 볼 수 있습니다. 자세한 내용은 Ultralytics GitHub 리포지토리를 참조하세요.

왜 Ultralytics YOLO CLI 를 사용해야 하나요?

Ultralytics YOLO CLI Python 코드 없이도 객체 감지 작업을 간단하게 실행할 수 있어 터미널에서 직접 훈련, 검증 및 예측을 위한 한 줄 명령어를 사용할 수 있습니다. 기본 구문은 다음과 같습니다:

yolo TASK MODE ARGS

예를 들어 탐지 모델을 훈련하는 경우입니다:

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

전체 CLI 가이드에서 더 많은 명령어와 사용 예제를 살펴보세요.

📅1 년 전 생성됨 ✏️ 1 일 전 업데이트됨