Início Rápido
Instalação do Ultralytics
O Ultralytics oferece diversos métodos de instalação, incluindo pip, conda e Docker. Instale o YOLOv8 através do pacote ultralytics
pip para a versão estável mais recente ou clonando o repositório GitHub do Ultralytics para obter a versão mais atualizada. O Docker pode ser usado para executar o pacote em um contêiner isolado, evitando a instalação local.
Instalar
Instale o pacote ultralytics
usando pip, ou atualize uma instalação existente executando pip install -U ultralytics
. Visite o Índice de Pacotes Python (PyPI) para mais detalhes sobre o pacote ultralytics
: https://pypi.org/project/ultralytics/.
Você também pode instalar o pacote ultralytics
diretamente do repositório GitHub. Isso pode ser útil se você desejar a versão de desenvolvimento mais recente. Certifique-se de ter a ferramenta de linha de comando Git instalada no seu sistema. O comando @main
instala a branch main
e pode ser modificado para outra branch, ou seja, @my-branch
, ou removido completamente para padrão na branch main
.
Conda é um gerenciador de pacotes alternativo ao pip que também pode ser usado para instalação. Visite Anaconda para mais detalhes em https://anaconda.org/conda-forge/ultralytics. O repositório de feedstock do Ultralytics para atualizar o pacote conda está em https://github.com/conda-forge/ultralytics-feedstock/.
Nota
Se você está instalando em um ambiente CUDA a prática recomendada é instalar ultralytics
, pytorch
e pytorch-cuda
no mesmo comando para permitir que o gerenciador de pacotes conda resolva quaisquer conflitos, ou instalar pytorch-cuda
por último para permitir que ele substitua o pacote específico para CPU pytorch
, se necessário.
Imagem Docker Conda
As imagens Docker Conda do Ultralytics também estão disponíveis em DockerHub. Estas imagens são baseadas em Miniconda3 e são um modo simples de começar a usar ultralytics
em um ambiente Conda.
# Definir o nome da imagem como uma variável
t=ultralytics/ultralytics:latest-conda
# Puxar a imagem mais recente do ultralytics do Docker Hub
sudo docker pull $t
# Executar a imagem ultralytics em um contêiner com suporte a GPU
sudo docker run -it --ipc=host --gpus all $t # todas as GPUs
sudo docker run -it --ipc=host --gpus '"device=2,3"' $t # especificar GPUs
Clone o repositório ultralytics
se você está interessado em contribuir para o desenvolvimento ou deseja experimentar com o código-fonte mais recente. Após clonar, navegue até o diretório e instale o pacote em modo editável -e
usando pip.
Veja o arquivo requirements.txt do ultralytics
para uma lista de dependências. Note que todos os exemplos acima instalam todas as dependências necessárias.
Watch: Ultralytics YOLO Quick Start Guide
Dica
Os requisitos do PyTorch variam pelo sistema operacional e pelos requisitos de CUDA, então é recomendado instalar o PyTorch primeiro seguindo as instruções em https://pytorch.org/get-started/locally.
Use o Ultralytics com CLI
A interface de linha de comando (CLI) do Ultralytics permite comandos simples de uma única linha sem a necessidade de um ambiente Python. O CLI não requer personalização ou código Python. Você pode simplesmente rodar todas as tarefas do terminal com o comando yolo
. Confira o Guia CLI para aprender mais sobre o uso do YOLOv8 pela linha de comando.
Exemplo
Os comandos yolo
do Ultralytics usam a seguinte sintaxe:
yolo TAREFA MODO ARGUMENTOS
Onde TAREFA (opcional) é um entre [detect, segment, classify]
MODO (obrigatório) é um entre [train, val, predict, export, track]
ARGUMENTOS (opcional) são qualquer número de pares personalizados 'arg=valor' como 'imgsz=320' que substituem os padrões.
yolo cfg
Treinar um modelo de detecção por 10 épocas com uma taxa de aprendizado inicial de 0.01
Prever um vídeo do YouTube usando um modelo de segmentação pré-treinado com tamanho de imagem 320:
Validar um modelo de detecção pré-treinado com tamanho de lote 1 e tamanho de imagem 640:
Exportar um modelo de classificação YOLOv8n para formato ONNX com tamanho de imagem 224 por 128 (nenhuma TAREFA necessária)
Aviso
Argumentos devem ser passados como pares arg=valor
, separados por um sinal de igual =
e delimitados por espaços entre pares. Não use prefixos de argumentos
--
ou vírgulas ,
entre os argumentos.
yolo predict model=yolov8n.pt imgsz=640 conf=0.25
✅yolo predict model yolov8n.pt imgsz 640 conf 0.25
❌yolo predict --model yolov8n.pt --imgsz 640 --conf 0.25
❌
Use o Ultralytics com Python
A interface Python do YOLOv8 permite uma integração tranquila em seus projetos Python, tornando fácil carregar, executar e processar a saída do modelo. Projetada com simplicidade e facilidade de uso em mente, a interface Python permite que os usuários implementem rapidamente detecção de objetos, segmentação e classificação em seus projetos. Isto torna a interface Python do YOLOv8 uma ferramenta inestimável para qualquer pessoa buscando incorporar essas funcionalidades em seus projetos Python.
Por exemplo, os usuários podem carregar um modelo, treiná-lo, avaliar o seu desempenho em um conjunto de validação e até exportá-lo para o formato ONNX com apenas algumas linhas de código. Confira o Guia Python para aprender mais sobre o uso do YOLOv8 dentro dos seus projetos Python.
Exemplo
from ultralytics import YOLO
# Criar um novo modelo YOLO do zero
model = YOLO('yolov8n.yaml')
# Carregar um modelo YOLO pré-treinado (recomendado para treinamento)
model = YOLO('yolov8n.pt')
# Treinar o modelo usando o conjunto de dados 'coco128.yaml' por 3 épocas
results = model.train(data='coco128.yaml', epochs=3)
# Avaliar o desempenho do modelo no conjunto de validação
results = model.val()
# Realizar detecção de objetos em uma imagem usando o modelo
results = model('https://ultralytics.com/images/bus.jpg')
# Exportar o modelo para formato ONNX
success = model.export(format='onnx')