Instalar Ultralytics

Instalar ou atualizar o ultralytics utilizando o pip, executando pip install -U ultralytics. Para mais pormenores sobre o ultralytics pacote, visite a página Índice de Pacotes Python (PyPI).

# Install the ultralytics package from PyPI
pip install ultralytics

Também é possível instalar ultralytics diretamente do Ultralytics Repositório GitHub. Isso pode ser útil se você quiser a versão de desenvolvimento mais recente. Certifique-se de que tem a ferramenta de linha de comandos Git instalada e, em seguida, execute:

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

O Conda pode ser usado como um gerenciador de pacotes alternativo ao pip. Para obter mais detalhes, visite Anaconda. O repositório de matéria-prima Ultralytics para atualizar o pacote conda está disponível no GitHub.

# 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

Imagem do Docker Conda

Ultralytics As imagens do Conda Docker também estão disponíveis em DockerHub. Estas imagens são baseadas em Miniconda3 e fornecem uma forma direta de começar a utilizar ultralytics num ambiente Conda.

# 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

Clonar o Ultralytics Repositório GitHub se estiver interessado em contribuir para o desenvolvimento ou quiser experimentar o código-fonte mais recente. Após a clonagem, navegue para o diretório e instale o pacote em modo editável -e utilizando o 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 .

Use o Docker para executar o ultralytics num contentor isolado, garantindo um desempenho consistente em vários ambientes. Ao selecionar um dos pacotes ultralytics imagens de Centro de DockerCom o Ultralytics, evita a complexidade da instalação local e obtém acesso a um ambiente de trabalho verificado. Ultralytics oferece cinco imagens Docker principais suportadas, cada uma concebida para uma elevada compatibilidade e eficiência:

• Dockerfile: GPU imagem recomendada para a formação.
• Dockerfile-arm64: Optimizado para a arquitetura ARM64, adequado para implementação em dispositivos como o Raspberry Pi e outras plataformas baseadas em ARM64.
• cpu: Versão baseada no Ubuntu CPU para CPU, adequada para inferência e ambientes sem GPUs.
• Dockerfile-jetson: Adaptado para dispositivos NVIDIA Jetson, integrando suporte a GPU otimizado para essas plataformas.
• Dockerfile-python: Imagem mínima com apenas Python e as dependências necessárias, ideal para aplicações leves e desenvolvimento.
• Dockerfile-conda: Baseado no Miniconda3 com uma instalação conda do ultralytics pacote.

Aqui estão os comandos para obter a imagem mais recente e executá-la:

# 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

O comando acima inicializa um contentor Docker com a última versão do ultralytics imagem. A -it atribuem um pseudo-TTY e mantêm o stdin aberto, permitindo a interação com o contentor. As --ipc=host define o espaço de nomes IPC (Inter-Process Communication) para o host, o que é essencial para a partilha de memória entre processos. A flag --gpus all permite o acesso a todas as GPUs disponíveis dentro do contentor, crucial para tarefas que requerem computação GPU .

Nota: Para trabalhar com ficheiros no seu computador local dentro do contentor, utilize os volumes do Docker para montar um diretório local no contentor:

# 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

Substituir /path/on/host com o caminho do diretório na sua máquina local, e /path/in/container com o caminho desejado dentro do contentor Docker.

Para uso avançado do Docker, explore o Guia do Docker doUltralytics .

Ultralytics yolo utilizam a seguinte sintaxe:

yolo TASK MODE ARGS

Ver tudo ARGS na íntegra Guia de configuração ou com o yolo cfg CLI comando.

Treinar um modelo de deteção para 10 épocas com uma taxa de aprendizagem inicial de 0,01:

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

Prever um vídeo do YouTube utilizando um modelo de segmentação pré-treinado no tamanho de imagem 320:

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

Validar um modelo de deteção pré-treinado com um tamanho de lote de 1 e um tamanho de imagem de 640:

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

Exportar um modelo de classificação YOLOv11n para o formato ONNX com um tamanho de imagem de 224x128 (não é necessário TASK):

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

Contar objectos num vídeo ou numa transmissão em direto utilizando o YOLO11:

yolo solutions count show=True

yolo solutions count source="path/to/video.mp4" # specify video file path

Monitorize os exercícios de treino utilizando um modelo de pose YOLO11 :

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

Utilize YOLO11 para contar objectos numa fila ou região designada:

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

Efectue a deteção de objectos, a segmentação de instâncias ou a estimativa de pose num navegador Web utilizando o Streamlit:

yolo solutions inference

yolo solutions inference model="path/to/model.pt" # use model fine-tuned with Ultralytics Python package

Execute comandos especiais para ver a versão, ver definições, executar verificações e muito mais:

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

Utilize Python para visualizar as suas definições importando o settings objeto do ultralytics módulo. Imprimir e devolver definições com estes comandos:

from ultralytics import settings

# View all settings
print(settings)

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

A interface de linha de comandos permite-lhe verificar as suas definições com:

yolo settings

Em Python, utilize a opção update no método settings objeto:

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()

Para modificar as definições utilizando a interface da linha de comandos:

# 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