Início rápido

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/.

# Install the ultralytics package from PyPI
pip install 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-branchou removido por completo para que a predefinição seja main ramo.

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

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/.

# 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 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.

# 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 .

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: Imagem de GPU recomendada para treinamento.
• 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 apenas 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 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.

Ultralytics yolo utiliza a seguinte sintaxe:

yolo TASK MODE ARGS

• TASK (opcional) é um dos (detetar, segmento, classifica, pose)
• MODE (obrigatório) é um dos (comboio, val, prevê, exportação, pista)
• ARGS (opcional) são arg=value pares como imgsz=640 que se sobrepõem às predefinições.

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

Treina um modelo de deteção para 10 épocas com uma learning_rate inicial de 0,01

yolo train data=coco8.yaml model=yolov8n.pt epochs=10 lr0=0.01

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

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

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

yolo val model=yolov8n.pt data=coco8.yaml batch=1 imgsz=640

Exporta um modelo de classificação YOLOv8n para o formato ONNX com o tamanho de imagem 224 por 128 (não é necessária nenhuma TASK)

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

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

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

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:

from ultralytics import settings

# View all settings
print(settings)

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

Em alternativa, a interface de linha de comandos permite-te verificar as tuas definições com um simples comando:

yolo settings

No ambiente Python , chama o comando update no método settings para alterar as tuas definições:

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()

Se preferires utilizar a interface de linha de comandos, os seguintes comandos permitem-te modificar as tuas definições:

# 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