Instalar o Ultralytics#
Instala o pacote ultralytics com pip, conda ou Docker, ou a partir do código-fonte, e depois faz a tua primeira previsão com um modelo YOLO26 pré-treinado. Todos os métodos instalam as dependências necessárias indicadas em pyproject.toml.
Instala ou atualiza o pacote ultralytics num ambiente Python>=3.8 com PyTorch>=1.8:
pip install -U ultralyticsPara instalar a versão de desenvolvimento mais recente, instala diretamente a partir do repositório GitHub do Ultralytics:
pip install git+https://github.com/ultralytics/ultralytics.git@mainOs requisitos do PyTorch variam conforme o sistema operativo e a versão do CUDA. Para usar uma compilação específica, instala primeiro o PyTorch seguindo as instruções de instalação do PyTorch e, em seguida, instala ultralytics. Para GPUs AMD no Linux, instala uma compilação do PyTorch com ROCm, conforme descrito no guia de integração da AMD.
Usa o Ultralytics com a CLI#
Executa a tua primeira previsão a partir do terminal com o comando yolo:
yolo predict model=yolo26n.ptOs pesos pré-treinados yolo26n.pt são transferidos automaticamente, o modelo é executado em duas imagens de exemplo incluídas no pacote e, na primeira execução, o comando indica onde guardou os resultados anotados: runs/detect/predict. Indica a tua própria imagem, vídeo, diretório, URL ou stream para source, ou usa uma webcam com source=0:
yolo predict model=yolo26n.pt source=0 show=Truepredict é o modo, ou seja, o que fazer com o modelo: train, val, predict, export, track ou benchmark. A tarefa (detect, segment, semantic, depth, classify, pose ou obb) é determinada a partir do ficheiro do modelo, por isso a sintaxe yolo TASK MODE ARGS normalmente só precisa do modo e de pares arg=value, como imgsz=640. Consulta o Guia da CLI para ver todos os modos e a página de Configuração para consultar todos os argumentos.
Usa o Ultralytics com Python#
A mesma previsão em Python:
from ultralytics import YOLO
model = YOLO("yolo26n.pt") # carrega um modelo de deteção YOLO26n pré-treinado
results = model("https://ultralytics.com/images/bus.jpg", save=True) # faz a previsão e guarda a imagem anotadaresults é uma lista de objetos Results, um por imagem, que contém caixas, máscaras, pontos-chave ou probabilidades de classe, consoante a tarefa. O Guia de Python aborda o treino, a validação, a exportação e o rastreamento com a mesma classe YOLO.
Assista: Guia de início rápido do Ultralytics YOLO
Definições do Ultralytics#
As definições persistentes, como os diretórios de conjuntos de dados, pesos e execuções, a chave da API da Plataforma Ultralytics e as opções dos registadores de experiências, são guardadas num ficheiro JSON gerido com yolo settings. Consulta a página Definições para as ver, alterar ou repor.
O que fazer a seguir#
Explora os modos em que o YOLO é executado e os tamanhos dos modelos YOLO26. Em seguida, treina com os teus próprios dados, depois de os formatar com o guia de conjuntos de dados.
Para saberes o que vem a seguir, explora YOLO27 (em breve). Os modelos ainda não estão disponíveis; os exemplos acima usam a família YOLO26 já lançada.
Perguntas frequentes#
Instala o Ultralytics com pip usando:
pip install -U ultralyticsIsto instala a versão estável mais recente do pacote
ultralyticsa partir do PyPI. Para instalar a versão de desenvolvimento diretamente do GitHub:pip install git+https://github.com/ultralytics/ultralytics.gitCertifica-te de que a ferramenta de linha de comandos Git está instalada no teu sistema.
Sim, cria um ambiente conda com Python e Ultralytics YOLO num único comando e, em seguida, ativa-o:
conda create --name ultralytics-env -c conda-forge python=3.11 ultralytics torchvision -y conda activate ultralytics-envEste método é uma ótima alternativa ao pip e garante a compatibilidade com outros pacotes. Para ambientes com CUDA, adiciona o metapacote
pytorch-gpuao mesmo comando para que o conda selecione uma compilação do PyTorch com suporte a CUDA:conda create --name ultralytics-env -c conda-forge python=3.11 ultralytics torchvision pytorch-gpu -y conda activate ultralytics-envPara mais instruções, consulta o guia de início rápido do Conda.
O Docker oferece um ambiente isolado e consistente para o Ultralytics YOLO, garantindo um desempenho estável em diferentes sistemas e evitando as complexidades de uma instalação local. As imagens oficiais do Docker estão disponíveis no Docker Hub, com variantes para GPU, CPU, ARM64, NVIDIA Jetson e Conda. Para obter e executar a imagem mais recente:
# Pull the latest ultralytics image from Docker Hub sudo docker pull ultralytics/ultralytics:latest # Run the ultralytics image in a container with GPU support sudo docker run -it --ipc=host --device nvidia.com/gpu=all ultralytics/ultralytics:latestNo Linux, os pedidos de dispositivos CDI requerem Docker >= 28.2.0 e NVIDIA Container Toolkit >= 1.18. Para instruções detalhadas sobre o Docker, consulta o guia de início rápido do Docker.
Clona o repositório do Ultralytics e configura um ambiente de desenvolvimento com:
# 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 .Isto permite contribuir para o projeto ou experimentar o código-fonte mais recente. Para trabalhar com forks e fixar uma ramificação personalizada, consulta a página Instalação para desenvolvimento.
A CLI do Ultralytics YOLO simplifica a execução de tarefas de deteção de objetos sem código Python, permitindo executar comandos de uma só linha para treino, validação e previsão diretamente no terminal. A sintaxe básica é:
yolo TASK MODE ARGSPor exemplo, para treinar um modelo de deteção:
yolo train data=coco8.yaml model=yolo26n.pt epochs=10Explora mais comandos e exemplos de utilização no Guia da CLI completo.