Ir para o conteúdo

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/.

PyPI version Downloads

# Instalar o pacote ultralytics do PyPI
pip install 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.

# Instalar o pacote ultralytics do GitHub
pip install git+https://github.com/ultralytics/ultralytics.git@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/.

Conda Recipe Conda Downloads Conda Version Conda Platforms

# Instalar o pacote ultralytics usando conda
conda install -c conda-forge ultralytics

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.

# Instalar todos os pacotes juntos usando conda
conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=11.8 ultralytics

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.

# Clonar o repositório ultralytics
git clone https://github.com/ultralytics/ultralytics

# Navegar para o diretório clonado
cd ultralytics

# Instalar o pacote em modo editável para desenvolvimento
pip install -e .

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.

Instruções de Instalação do PyTorch

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.
Veja todos os ARGUMENTOS no guia completo de Configuração ou com yolo cfg

Treinar um modelo de detecção por 10 épocas com uma taxa de aprendizado inicial de 0.01

yolo train data=coco128.yaml model=yolov8n.pt epochs=10 lr0=0.01

Prever um vídeo do YouTube usando um modelo de segmentação pré-treinado com tamanho de imagem 320:

yolo predict model=yolov8n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320

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

yolo val model=yolov8n.pt data=coco128.yaml batch=1 imgsz=640

Exportar um modelo de classificação YOLOv8n para formato ONNX com tamanho de imagem 224 por 128 (nenhuma TAREFA necessária)

yolo export model=yolov8n-cls.pt format=onnx imgsz=224,128

Executar comandos especiais para ver versão, visualizar configurações, rodar verificações e mais:

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

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   ❌

Guia CLI

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')

Guia Python


Created 2023-11-13, Updated 2023-11-25
Authors: glenn-jocher (5), chr043416@gmail.com (1)

Comentários