빠른 시작

설치 ultralytics 패키지를 사용하거나, 기존 설치를 업데이트하려면 pip install -U ultralytics. 자세한 내용은 Python 패키지 색인(PyPI)을 참조하세요. ultralytics 패키지입니다: https://pypi.org/project/ultralytics/.

# Install the ultralytics package from PyPI
pip install ultralytics

또한 ultralytics 패키지에서 직접 저장소. 최신 개발 버전을 원할 때 유용할 수 있습니다. 시스템에 Git 명령줄 도구가 설치되어 있는지 확인하세요. 시스템에 @main 명령은 main 브랜치에서 다른 브랜치로 수정할 수 있습니다. @my-branch로 설정하거나 완전히 제거하여 기본값을 main 브랜치.

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

Conda는 pip의 대체 패키지 관리자로 설치에 사용할 수도 있습니다. 자세한 내용은 https://anaconda.org/conda-forge/ultralytics 에서 확인하세요. Ultralytics 콘다 패키지 업데이트를 위한 피드스톡 리포지토리는 https://github.com/conda-forge/ultralytics-feedstock/에서 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

콘다 도커 이미지

Ultralytics 콘다 도커 이미지는 다음에서도 사용할 수 있습니다. 도커허브. 이 이미지는 다음을 기반으로 합니다. 미니콘다3 사용을 시작하는 간단한 방법입니다. 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 리포지토리에서 개발에 기여하고 싶거나 최신 소스 코드를 실험해보고 싶은 경우 해당 리포지토리로 이동하세요. 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 활용하여 손쉽게 실행할 수 있는 ultralytics 패키지를 격리된 컨테이너에 담아 다양한 환경에서 일관되고 원활한 성능을 보장합니다. 공식 ultralytics 이미지의 도커 허브를 사용하면 로컬 설치의 복잡성을 피할 수 있을 뿐만 아니라 검증된 작업 환경에 액세스할 수 있는 이점이 있습니다. Ultralytics 에서는 5가지 주요 지원 Docker 이미지를 제공하며, 각 이미지는 다양한 플랫폼과 사용 사례에 대해 높은 호환성과 효율성을 제공하도록 설계되었습니다:

• 도커파일: 트레이닝에 권장되는 GPU 이미지입니다.
• 도커파일-arm64: ARM64 아키텍처에 최적화되어 라즈베리 파이 및 기타 ARM64 기반 플랫폼과 같은 장치에 배포할 수 있습니다.
• Dockerfile-cpu: 추론 및 GPU가 없는 환경에 적합한 Ubuntu 기반 CPU 전용 버전입니다.
• 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: ultralytics 패키지의 콘다 설치가 포함된 미니콘다3 기반입니다.

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 열린 상태로 유지하여 컨테이너와 상호 작용할 수 있도록 합니다. 그리고 --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 로컬 디렉터리를 컨테이너에 마운트하기 위해 Docker 볼륨을 사용하세요:

# 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

변경 /path/on/host 를 로컬 컴퓨터의 디렉터리 경로로 대체하고 /path/in/container 를 Docker 컨테이너 내부에 원하는 경로로 설정하여 접근성을 높입니다.

고급 도커 사용법에 대해서는 Ultralytics 도커 가이드를 참조하세요.

Ultralytics yolo 명령은 다음 구문을 사용합니다:

yolo TASK MODE ARGS

• TASK (선택 사항)은 (감지, 세그먼트, 분류, 포즈)
• MODE (필수)는 (기차, val, 예측, 내보내기, 트랙)
• 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=yolov8n.pt epochs=10 lr0=0.01

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

yolo predict model=yolov8n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320

배치 크기 1, 이미지 크기 640의 사전 학습된 탐지 모델입니다:

yolo val model=yolov8n.pt data=coco8.yaml batch=1 imgsz=640

YOLOv8n 분류 모델을 이미지 크기 224 x 128의 ONNX 형식으로 내보내기(작업 필요 없음)

yolo export model=yolov8n-cls.pt format=onnx imgsz=224,128

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

Python 에서 설정을 확인할 수 있습니다. 먼저 settings 객체에서 ultralytics 모듈을 추가합니다. 다음 명령을 사용하여 설정을 인쇄하고 반환합니다:

from ultralytics import settings

# View all settings
print(settings)

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

또는 명령줄 인터페이스를 통해 간단한 명령으로 설정을 확인할 수 있습니다:

yolo settings

Python 환경 내에서 update 메서드의 settings 객체를 사용하여 설정을 변경할 수 있습니다:

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 선호하는 경우 다음 명령어를 사용하여 설정을 수정할 수 있습니다:

# 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