Como instalar o Ultralytics YOLO com Conda#

Este guia mostra como configurar um ambiente Conda para os teus projetos Ultralytics. O 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 aprendizagem automática. Para obter mais detalhes, visita o pacote Ultralytics para Conda no Anaconda e consulta o repositório feedstock do Ultralytics para atualizações de pacotes no GitHub.

Este guia explica como criar um ambiente, instalar o Ultralytics, executar inferência, utilizar a imagem Docker do Conda e acelerar as instalações com libmamba.

Pré-requisitos#

Deves ter o Anaconda ou o Miniconda instalado no teu sistema. Caso contrário, transfere-o e instala-o a partir do Anaconda ou do Miniconda.

Configurar um ambiente Conda#

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

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

Ativa o novo ambiente:

conda activate ultralytics-env

Instalar 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 conda-forge ultralytics pytorch-gpu

Utilizar o Ultralytics#

Com o Ultralytics instalado, podes começar a utilizar as suas funcionalidades robustas para deteção de objetos, segmentação de instâncias 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

Imagem Docker do Ultralytics para Conda#

O Conda Dockerfile usa conda-forge PyTorch 2.13, torchvision 0.28 e CUDA 13.0. As versões do conda-forge podem atrasar em relação às versões do PyTorch pip usadas na imagem GPU padrão. A publicação automatizada de latest-conda está desativada, então constrói a imagem atual localmente:

git clone https://github.com/ultralytics/ultralytics
cd ultralytics
t=ultralytics-conda:local
sudo docker build -f docker/Dockerfile-conda -t $t .

Executa a imagem:

# Run the Ultralytics image in a container with GPU support
sudo docker run -it --ipc=host --device nvidia.com/gpu=all $t                         # all GPUs
sudo docker run -it --ipc=host --device nvidia.com/gpu=2 --device nvidia.com/gpu=3 $t # specify GPUs

No Linux, os pedidos de dispositivos CDI requerem o Docker >= 28.2.0 e o NVIDIA Container Toolkit >= 1.18. A flag legada --gpus all pode fazer com que o acesso à GPU seja perdido após recarregamentos do daemon do anfitrião, por isso atualiza os anfitriões Linux mais antigos e utiliza --device. Consulta o Guia de início rápido do Docker para obter mais detalhes.

Acelerar a instalação com Libmamba#

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

Se estiveres a utilizar uma versão mais antiga do Conda, podes ativar libmamba manualmente:

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

   conda install conda-libmamba-solver

2. Em seguida, configura o Conda para utilizar libmamba como resolvedor:

   conda config --set solver libmamba

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

Perguntas frequentes#