Início rápido
Instala Ultralytics
Ultralytics provides various installation methods including pip, conda, and Docker. Install YOLO via the ultralytics
pip para a última versão estável ou clonando o pacote Ultralytics Repositório GitHub para obteres a versão mais actualizada. O Docker pode ser utilizado para executar o pacote num contentor isolado, evitando a instalação local.
Observa: Ultralytics YOLO Guia de início rápido
Instala
Instala o ultralytics
usando pip, ou atualiza uma instalação existente executando pip install -U ultralytics
. Visita o Python Package Index (PyPI) para mais detalhes sobre o ultralytics
pacote: https://pypi.org/project/ultralytics/.
Também podes instalar o ultralytics
diretamente do pacote GitHub repositório. Isto pode ser útil se quiseres a versão de desenvolvimento mais recente. Certifica-te de que tens a ferramenta de linha de comandos Git instalada no teu sistema. A ferramenta @main
instala o comando main
e pode ser modificado para outro ramo, ou seja @my-branch
ou removido por completo para que a predefinição seja main
ramo.
O Conda é um gestor de pacotes alternativo ao pip que também pode ser utilizado para a instalação. Visita o Anaconda para mais detalhes em https://anaconda.org/conda-forge/ultralytics. Ultralytics repositório feedstock para atualizar o pacote conda está em https://github.com/conda-forge/ultralytics-feedstock/.
Nota
Se estiveres a instalar num ambiente CUDA , a melhor prática é instalar ultralytics
, pytorch
e pytorch-cuda
no mesmo comando para permitir que o gestor de pacotes conda resolva quaisquer conflitos, ou então para instalar pytorch-cuda
último para permitir que substitua o CPU-specific pytorch
se necessário.
Imagem do Docker Conda
Ultralytics As imagens Conda Docker também estão disponíveis em DockerHub. Estas imagens são baseadas em Miniconda3 e são uma forma simples de começares 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
Clona o ultralytics
se estiveres interessado em contribuir para o desenvolvimento ou quiseres experimentar o código-fonte mais recente. Após a clonagem, navega para o diretório e instala o pacote em modo editável -e
utilizando o pip.
Utiliza o Docker para executar sem esforço o ultralytics
num contentor isolado, garantindo um desempenho consistente e suave em vários ambientes. Ao escolher um dos pacotes oficiais do ultralytics
imagens de Docker HubO Ultralytics oferece 5 imagens Docker principais suportadas, cada uma concebida para proporcionar uma elevada compatibilidade e eficiência para diferentes plataformas e casos de utilização:
- Dockerfile: GPU imagem recomendada para a formação.
- Dockerfile-arm64: Optimizado para a arquitetura ARM64, permitindo a implementação em dispositivos como o Raspberry Pi e outras plataformas baseadas em ARM64.
- Dockerfile-cpu: Versão baseada no Ubuntu CPU-apenas adequada para inferência e ambientes sem GPUs.
- Dockerfile-jetson: Adaptado para dispositivos NVIDIA Jetson, integrando o suporte GPU optimizado para estas plataformas.
- Dockerfile-python: Imagem mínima com apenas Python e as dependências necessárias, ideal para aplicações leves e desenvolvimento.
- Dockerfile-conda: Baseado no Miniconda3 com a instalação conda do pacote ultralytics .
Abaixo estão os comandos para obteres 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 imagem -it
atribui um pseudo-TTY e mantém o stdin aberto, permitindo-te interagir com o contentor. O sinalizador --ipc=host
define o espaço de nomes IPC (Inter-Process Communication) para o host, o que é essencial para compartilhar memória entre processos. A flag --gpus all
permite o acesso a todas as GPUs disponíveis dentro do contentor, o que é crucial para tarefas que requerem computação GPU .
Nota: Para trabalhar com ficheiros no teu computador local dentro do contentor, utiliza os volumes 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
Altera /path/on/host
com o caminho do diretório na tua máquina local, e /path/in/container
com o caminho desejado dentro do contentor Docker para acessibilidade.
Para uso avançado do Docker, fica à vontade para explorar o Ultralytics Docker Guide.
Vê o ultralytics
pyproject.toml para uma lista de dependências. Nota que todos os exemplos acima instalam todas as dependências necessárias.
Dica
PyTorch requirements vary by operating system and CUDA requirements, so it's recommended to install PyTorch first following instructions at https://pytorch.org/get-started/locally.
Utiliza Ultralytics com CLI
A interface de linha de comando Ultralytics (CLI) permite comandos simples de linha única sem a necessidade de um ambiente Python . CLI não requer personalização ou código Python . Podes simplesmente executar todas as tarefas a partir do terminal com o comando yolo
comanda. Verifica o CLI Guia to learn more about using YOLO from the command line.
Exemplo
Ultralytics yolo
utiliza a seguinte sintaxe:
TASK
(opcional) é um dos (detetar, segmento, classifica, pose, obb)MODE
(obrigatório) é um dos (comboio, val, prevê, exportação, pista, referência)ARGS
(opcional) sãoarg=value
pares comoimgsz=640
que se sobrepõem às predefinições.
Ver tudo ARGS
na íntegra Guia de configuração ou com o yolo cfg
CLI comanda.
Train a detection model for 10 epochs with an initial learning_rate of 0.01
Prevê um vídeo do YouTube utilizando um modelo de segmentação pré-treinado no tamanho de imagem 320:
Valida um modelo de deteção pré-treinado com tamanho de lote 1 e tamanho de imagem 640:
Export a yolo11n classification model to ONNX format at image size 224 by 128 (no TASK required)
Aviso
Os argumentos devem ser passados como arg=val
divididos por um sinal de igual =
e delimitado por espaços entre pares. Não utilizes --
prefixos de argumentos ou vírgulas ,
entre argumentos.
yolo predict model=yolo11n.pt imgsz=640 conf=0.25
✅yolo predict model yolo11n.pt imgsz 640 conf 0.25
❌ (falta-te=
)yolo predict model=yolo11n.pt, imgsz=640, conf=0.25
❌ (não uses,
)yolo predict --model yolo11n.pt --imgsz 640 --conf 0.25
❌ (não uses--
)
Utiliza Ultralytics com Python
YOLO's Python interface allows for seamless integration into your Python projects, making it easy to load, run, and process the model's output. Designed with simplicity and ease of use in mind, the Python interface enables users to quickly implement object detection, segmentation, and classification in their projects. This makes YOLO's Python interface an invaluable tool for anyone looking to incorporate these functionalities into their Python projects.
For example, users can load a model, train it, evaluate its performance on a validation set, and even export it to ONNX format with just a few lines of code. Check out the Python Guide to learn more about using YOLO within your Python projects.
Exemplo
from ultralytics import YOLO
# Create a new YOLO model from scratch
model = YOLO("yolo11n.yaml")
# Load a pretrained YOLO model (recommended for training)
model = YOLO("yolo11n.pt")
# Train the model using the 'coco8.yaml' dataset for 3 epochs
results = model.train(data="coco8.yaml", epochs=3)
# Evaluate the model's performance on the validation set
results = model.val()
# Perform object detection on an image using the model
results = model("https://ultralytics.com/images/bus.jpg")
# Export the model to ONNX format
success = model.export(format="onnx")
Ultralytics Definições
A biblioteca Ultralytics fornece um poderoso sistema de gestão de definições para permitir um controlo fino das tuas experiências. Ao fazer uso da biblioteca SettingsManager
alojado no ultralytics.utils
module, users can readily access and alter their settings. These are stored in a JSON file in the environment user configuration directory, and can be viewed or modified directly within the Python environment or via the Command-Line Interface (CLI).
Inspecionar configurações
Para teres uma ideia da configuração atual das tuas definições, podes visualizá-las diretamente:
Ver definições
Podes utilizar Python para ver as tuas definições. Começa por importar o ficheiro settings
objeto do ultralytics
módulo. Imprime e devolve as definições utilizando os seguintes comandos:
Modificar definições
Ultralytics permite que os utilizadores modifiquem facilmente as suas definições. As alterações podem ser efectuadas das seguintes formas:
Atualizar definições
No ambiente Python , chama o comando update
no método settings
para alterar as tuas definições:
Se preferires utilizar a interface de linha de comandos, os seguintes comandos permitem-te modificar as tuas definições:
Compreender as definições
A tabela abaixo fornece uma visão geral das definições disponíveis para ajuste em Ultralytics. Cada definição é descrita juntamente com um valor de exemplo, o tipo de dados e uma breve descrição.
Nome | Exemplo de valor | Tipo de dados | Descrição |
---|---|---|---|
settings_version | '0.0.4' | str | Ultralytics versãodas definições (diferente da versão Ultralytics pip ) |
datasets_dir | '/path/to/datasets' | str | O diretório onde os conjuntos de dados são armazenados |
weights_dir | '/path/to/weights' | str | O diretório onde são armazenados os pesos do modelo |
runs_dir | '/path/to/runs' | str | O diretório onde são armazenadas as execuções da experiência |
uuid | 'a1b2c3d4' | str | O identificador único das definições actuais |
sync | True | bool | Se queres sincronizar análises e falhas com o HUB |
api_key | '' | str | Ultralytics Chave API do HUB |
clearml | True | bool | Whether to use ClearML logging |
comet | True | bool | Utiliza ou não o Comet ML para o acompanhamento e visualização de experiências |
dvc | True | bool | Se deves utilizar o DVC para o acompanhamento de experiências e o controlo de versões |
hub | True | bool | Se deves utilizar a integração do Ultralytics HUB |
mlflow | True | bool | Whether to use MLFlow for experiment tracking |
neptune | True | bool | Whether to use Neptune for experiment tracking |
raytune | True | bool | Whether to use Ray Tune for hyperparameter tuning |
tensorboard | True | bool | Whether to use TensorBoard for visualization |
wandb | True | bool | Whether to use Weights & Biases logging |
vscode_msg | True | bool | When VS Code terminal detected, enables prompt to download Ultralytics-Snippets extension. |
À medida que navega pelos seus projectos ou experiências, não te esqueças de rever estas definições para garantir que estão configuradas da melhor forma para as suas necessidades.
FAQ
How do I install Ultralytics using pip?
To install Ultralytics with pip, execute the following command:
Para a última versão estável, instala o ultralytics
diretamente do Python Package Index (PyPI). Para mais detalhes, visita a página ultralytics no PyPI.
Em alternativa, podes instalar a versão de desenvolvimento mais recente diretamente a partir do GitHub:
Certifica-te de que tens a ferramenta de linha de comandos Git instalada no teu sistema.
Can I install Ultralytics YOLO using conda?
Yes, you can install Ultralytics YOLO using conda by running:
Este método é uma excelente alternativa ao pip e assegura a compatibilidade com outros pacotes no teu ambiente. Para ambientes CUDA , é melhor instalar o ultralytics
, pytorch
e pytorch-cuda
para resolveres eventuais conflitos:
Para obter mais instruções, visita o guia de início rápido do Conda.
What are the advantages of using Docker to run Ultralytics YOLO?
Using Docker to run Ultralytics YOLO provides an isolated and consistent environment, ensuring smooth performance across different systems. It also eliminates the complexity of local installation. Official Docker images from Ultralytics are available on Docker Hub, with different variants tailored for GPU, CPU, ARM64, NVIDIA Jetson, and Conda environments. Below are the commands to pull and run the latest image:
# 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 --gpus all ultralytics/ultralytics:latest
Para obter instruções mais detalhadas sobre o Docker, consulta o guia de início rápido do Docker.
Como é que clono o repositório Ultralytics para desenvolvimento?
Para clonar o repositório Ultralytics e configurar um ambiente de desenvolvimento, utiliza os seguintes passos:
# 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 .
Esta abordagem permite-te contribuir para o projeto ou experimentar o código-fonte mais recente. Para mais detalhes, visita o repositórioUltralytics do GitHub.
Why should I use Ultralytics YOLO CLI?
The Ultralytics YOLO command line interface (CLI) simplifies running object detection tasks without requiring Python code. You can execute single-line commands for tasks like training, validation, and prediction straight from your terminal. The basic syntax for yolo
Comandos é:
Por exemplo, para treinar um modelo de deteção com parâmetros especificados:
Consulta o guia completo CLI para explorares mais comandos e exemplos de utilização.