Snelstart

Installeer de ultralytics pakket met pip, of werk een bestaande installatie bij door pip install -U ultralytics. Bezoek de Python Package Index (PyPI) voor meer details over de ultralytics verpakking: https://pypi.org/project/ultralytics/.

# Install the ultralytics package from PyPI
pip install ultralytics

Je kunt ook de ultralytics pakket rechtstreeks van de GitHub archief. Dit kan handig zijn als je de laatste ontwikkelversie wilt hebben. Zorg ervoor dat de Git commandoregel tool geïnstalleerd is op je systeem. De @main commando installeert de main tak en kan worden gewijzigd naar een andere tak, d.w.z. @my-branchof helemaal verwijderd om standaard op main vestiging.

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

Conda is een alternatieve pakketbeheerder voor pip die ook kan worden gebruikt voor installatie. Bezoek Anaconda voor meer informatie op https://anaconda.org/conda-forge/ultralytics. Ultralytics feedstock repository voor het bijwerken van het conda pakket is op https://github.com/conda-forge/ultralytics-feedstock/.

# 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 Afbeelding

Ultralytics Conda Docker-images zijn ook beschikbaar via DockerHub. Deze afbeeldingen zijn gebaseerd op Miniconda3 en zijn een eenvoudige manier om te beginnen met het gebruik van ultralytics in een Conda-omgeving.

# 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

Kloon de ultralytics repository als je wilt bijdragen aan de ontwikkeling of wilt experimenteren met de nieuwste broncode. Na het klonen navigeer je naar de map en installeer je het pakket in bewerkbare modus -e met pip.

# 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 .

Gebruik Docker om de ultralytics pakket in een geïsoleerde container, zodat het consistent en soepel presteert in verschillende omgevingen. Door een van de officiële ultralytics beelden van Docker hubZo vermijd je niet alleen de complexiteit van een lokale installatie, maar profiteer je ook van toegang tot een geverifieerde werkomgeving. Ultralytics biedt 5 belangrijke ondersteunde Docker-images, elk ontworpen voor hoge compatibiliteit en efficiëntie voor verschillende platforms en gebruikssituaties:

• Dockerbestand: GPU image aanbevolen voor training.
• Dockerfile-arm64: Geoptimaliseerd voor de ARM64-architectuur, waardoor het kan worden gebruikt op apparaten zoals de Raspberry Pi en andere ARM64-gebaseerde platforms.
• Dockerfile-cpu: Ubuntu-gebaseerde CPU-only versie geschikt voor inferentie en omgevingen zonder GPU's.
• Dockerfile-jetson: Op maat gemaakt voor NVIDIA Jetson apparaten, met GPU-ondersteuning geoptimaliseerd voor deze platforms.
• Dockerbestand-python: Minimaal image met alleen Python en noodzakelijke afhankelijkheden, ideaal voor lichtgewicht applicaties en ontwikkeling.
• Dockerfile-conda: Gebaseerd op Miniconda3 met conda installatie van ultralytics pakket.

Hieronder staan de commando's om de nieuwste image op te halen en uit te voeren:

# 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

Het bovenstaande commando initialiseert een Docker-container met de nieuwste ultralytics beeld. De -it wijst een pseudo-TTY toe en houdt stdin open, zodat je met de container kunt communiceren. De --ipc=host stelt de IPC (Inter-Process Communication) naamruimte in op de host, wat essentieel is voor het delen van geheugen tussen processen. De --gpus all flag geeft toegang tot alle beschikbare GPU's in de container, wat cruciaal is voor taken die GPU-berekeningen vereisen.

Opmerking: Om te werken met bestanden op je lokale machine binnen de container, gebruik je Docker volumes voor het mounten van een lokale map in de container:

# 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

Alter /path/on/host met het directorypad op je lokale machine, en /path/in/container met het gewenste pad in de Docker-container voor toegankelijkheid.

Voor geavanceerd Docker-gebruik kun je de Ultralytics Docker Guide raadplegen.

Ultralytics yolo commando's gebruiken de volgende syntaxis:

yolo TASK MODE ARGS

• TASK (optioneel) is een van (detecteren, segment, classificeren, houding)
• MODE (vereist) is een van (trein, waarde, voorspellen, export, spoor)
• ARGS (optioneel) zijn arg=value paren zoals imgsz=640 die de standaardwaarden overschrijven.

Bekijk alle ARGS volledig Configuratiegids of met de yolo cfg CLI commando.

Train een detectiemodel voor 10 epochs met een initiële leer_snelheid van 0,01

yolo train data=coco8.yaml model=yolov8n.pt epochs=10 lr0=0.01

Voorspel een YouTube-video met behulp van een vooraf getraind segmentatiemodel op afbeeldingsformaat 320:

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

Waardeer een voorgetraind detectiemodel met batchgrootte 1 en afbeeldingsgrootte 640:

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

Exporteer een YOLOv8n classificatiemodel naar ONNX formaat op afbeeldingsformaat 224 bij 128 (geen TASK vereist)

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

Voer speciale commando's uit om versies te bekijken, instellingen te bekijken, controles uit te voeren en meer:

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

Je kunt Python gebruiken om je instellingen te bekijken. Begin met het importeren van de settings object van de ultralytics module. Instellingen afdrukken en retourneren met de volgende commando's:

from ultralytics import settings

# View all settings
print(settings)

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

Als alternatief kun je met de opdrachtregelinterface je instellingen controleren met een eenvoudig commando:

yolo settings

Roep binnen de Python omgeving het update methode op de settings object om je instellingen te wijzigen:

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()

Als je liever de commandoregelinterface gebruikt, kun je met de volgende commando's je instellingen wijzigen:

# 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