Link to this sectionComo instalar o Ultralytics YOLO com Conda#

Este guia explica como configurar um ambiente Conda para os teus projetos Ultralytics. Conda é um sistema de gestão de pacotes e ambientes de código aberto que oferece uma excelente alternativa ao pip para instalar pacotes e dependências. Os seus ambientes isolados tornam-no particularmente adequado para trabalhos de ciência de dados e machine learning. Para mais detalhes, visita o pacote Ultralytics Conda no Anaconda e consulta o repositório de feedstock do Ultralytics para atualizações de pacotes no GitHub.

Este guia aborda como criar um ambiente, instalar o Ultralytics, executar inferência, usar a imagem Docker Conda e acelerar instalações com libmamba.

Link to this sectionPré-requisitos#

Deves ter o Anaconda ou Miniconda instalado no teu sistema. Se não, descarrega-o e instala-o a partir do Anaconda ou Miniconda.

Link to this sectionConfigurar um ambiente Conda#

Primeiro, cria um novo ambiente Conda. Abre o teu terminal e executa o seguinte comando:

conda create --name ultralytics-env python=3.11 -y

Ativa o novo ambiente:

conda activate ultralytics-env

Link to this sectionInstalar o Ultralytics#

Podes instalar o pacote Ultralytics a partir do canal conda-forge. Executa o seguinte comando:

conda install -c conda-forge ultralytics

conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=12.1 ultralytics

Link to this sectionUsar o Ultralytics#

Com o Ultralytics instalado, podes começar a usar as suas funcionalidades robustas para object detection, instance segmentation e muito mais. Por exemplo, para prever uma imagem, podes executar:

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 image

Link to this sectionImagem Docker Conda do Ultralytics#

Se preferires usar Docker, o Ultralytics oferece imagens Docker com um ambiente Conda incluído. Podes extrair estas imagens a partir do DockerHub.

Extrai a imagem mais recente do Ultralytics:

# Set image name as a variable
t=ultralytics/ultralytics:latest-conda

# Pull the latest Ultralytics image from Docker Hub
sudo docker pull $t

Executa a imagem:

# 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

Link to this sectionAcelerar a instalação com Libmamba#

libmamba é um resolvedor rápido, multiplataforma e ciente de dependências que substitui o resolvedor clássico do Conda. O Conda 23.10 e versões posteriores já utilizam o libmamba como resolvedor predefinido, por isso a maioria das instalações é mais rápida desde o início.

Se estiveres numa versão mais antiga do Conda, podes ativar o libmamba manualmente:

1. Primeiro, instala o pacote conda-libmamba-solver:

   conda install conda-libmamba-solver

2. A seguir, configura o Conda para usar o libmamba como resolvedor:

   conda config --set solver libmamba

Configuraste com sucesso um ambiente Conda, instalaste o pacote Ultralytics e estás agora pronto para explorar as suas funcionalidades. Para tutoriais e exemplos mais avançados, consulta a documentação do Ultralytics.

Link to this sectionFAQ#

Link to this sectionQual é o processo para configurar um ambiente Conda para projetos Ultralytics?#

Configurar um ambiente Conda para projetos Ultralytics é simples e garante uma gestão de pacotes sem problemas. Primeiro, cria um novo ambiente Conda usando o seguinte comando:

conda create --name ultralytics-env python=3.11 -y

Depois, ativa o novo ambiente com:

conda activate ultralytics-env

Finalmente, instala o Ultralytics a partir do canal conda-forge:

conda install -c conda-forge ultralytics

Link to this sectionPorque devo usar o Conda em vez do pip para gerir dependências em projetos Ultralytics?#

Conda é um sistema robusto de gestão de pacotes e ambientes que oferece várias vantagens em relação ao pip. Gere dependências de forma eficiente e garante que todas as bibliotecas necessárias sejam compatíveis. Os ambientes isolados do Conda evitam conflitos entre pacotes, o que é crucial em projetos de ciência de dados e machine learning. Além disso, o Conda suporta a distribuição de pacotes binários, acelerando o processo de instalação.

Link to this sectionPosso usar o Ultralytics YOLO num ambiente com suporte a CUDA para um desempenho mais rápido?#

Sim, podes melhorar o desempenho utilizando um ambiente com suporte a CUDA. Certifica-te de instalar ultralytics, pytorch e pytorch-cuda em conjunto para evitar conflitos:

conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=12.1 ultralytics

Esta configuração permite a aceleração por GPU, crucial para tarefas intensivas como o treino e inferência de modelos de deep learning. Para mais informações, visita o guia de instalação do Ultralytics.

Link to this sectionQuais são os benefícios de usar imagens Docker do Ultralytics com um ambiente Conda?#

Usar imagens Docker do Ultralytics garante um ambiente consistente e reprodutível, eliminando problemas do género "na minha máquina funciona". Estas imagens incluem um ambiente Conda pré-configurado, simplificando o processo de configuração. Podes extrair e executar a imagem Docker mais recente do Ultralytics com os seguintes comandos:

sudo docker pull ultralytics/ultralytics:latest-conda
sudo docker run -it --ipc=host --runtime=nvidia --gpus all ultralytics/ultralytics:latest-conda            # all GPUs
sudo docker run -it --ipc=host --runtime=nvidia --gpus '"device=2,3"' ultralytics/ultralytics:latest-conda # specify GPUs

Esta abordagem é ideal para implementar aplicações em produção ou executar fluxos de trabalho complexos sem configuração manual. Sabe mais sobre a imagem Docker Conda do Ultralytics.

Link to this sectionComo posso acelerar a instalação de pacotes Conda no meu ambiente Ultralytics?#

O Conda 23.10 e versões posteriores já utilizam o resolvedor rápido libmamba por predefinição. Em versões mais antigas do Conda, podes ativá-lo manualmente instalando primeiro o pacote conda-libmamba-solver:

conda install conda-libmamba-solver

Depois configura o Conda para usar o libmamba como resolvedor:

conda config --set solver libmamba

Esta configuração proporciona uma gestão de pacotes mais rápida e eficiente. Para mais dicas sobre como otimizar o teu ambiente, lê sobre a instalação do libmamba.