Ultralytics YOLO27:
Get Started

Установка Ultralytics#

Установи пакет ultralytics с помощью pip, conda или Docker либо из исходного кода, а затем выполни первое предсказание с предварительно обученной моделью YOLO26. При любом способе установки устанавливаются все необходимые зависимости, перечисленные в pyproject.toml.

Установка

Установи или обнови пакет ultralytics в среде с Python>=3.8 и PyTorch>=1.8:

pip install -U ultralytics

Чтобы установить последнюю версию для разработки, установи пакет напрямую из репозитория Ultralytics на GitHub:

pip install git+https://github.com/ultralytics/ultralytics.git@main
Совет

Требования PyTorch зависят от операционной системы и версии CUDA. Чтобы использовать конкретную сборку, сначала установи PyTorch, следуя инструкциям по установке PyTorch, а затем установи ultralytics. Для GPU AMD в Linux установи сборку PyTorch с ROCm, как описано в руководстве по интеграции AMD.

Использование Ultralytics через CLI#

Выполни первое предсказание из терминала с помощью команды yolo:

yolo predict model=yolo26n.pt

Предварительно обученные веса yolo26n.pt загружаются автоматически, модель обрабатывает два встроенных примера изображений, а команда выводит путь, по которому сохранила результаты с аннотациями, — runs/detect/predict при первом запуске. Укажи в source путь к своему изображению, видео, каталогу, URL-адресу или потоку либо к веб-камере с помощью source=0:

yolo predict model=yolo26n.pt source=0 show=True

predict — это режим, то есть действие с моделью: train, val, predict, export, track или benchmark. Задача (detect, segment, semantic, depth, classify, pose или obb) определяется по файлу модели, поэтому в синтаксисе yolo TASK MODE ARGS обычно достаточно указать режим и пары arg=value, например imgsz=640. Список всех режимов смотри в руководстве по CLI, а все аргументы — на странице «Конфигурация».

Использование Ultralytics с Python#

То же предсказание на Python:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # загрузить предварительно обученную модель YOLO26n для обнаружения объектов
results = model("https://ultralytics.com/images/bus.jpg", save=True)  # выполнить предсказание и сохранить изображение с аннотациями

results — это список объектов Results, по одному на изображение. В зависимости от задачи объекты содержат боксы, маски, ключевые точки или вероятности классов. В руководстве по Python описаны обучение, валидация, экспорт и отслеживание с использованием того же класса YOLO.



Смотри: Краткое руководство по Ultralytics YOLO

Настройки Ultralytics#

Постоянные настройки, такие как каталоги наборов данных, весов и запусков, ключ API платформы Ultralytics и переключатели журналирования экспериментов, хранятся в JSON-файле, которым управляет yolo settings. На странице «Настройки» можно посмотреть, изменить или сбросить их.

Что дальше#

Посмотри, в каких режимах запускается YOLO и какие есть размеры моделей YOLO26, а затем обучи модель на собственных данных, предварительно подготовив их по руководству по наборам данных.

Чтобы узнать о планах на будущее, ознакомься с YOLO27 (скоро). Модели пока недоступны; в примерах выше используется выпущенная линейка YOLO26.

Часто задаваемые вопросы#

  • Установи Ultralytics с помощью pip:

    pip install -U ultralytics

    Так ты установишь последнюю стабильную версию пакета ultralytics из PyPI. Чтобы установить версию для разработки непосредственно из GitHub:

    pip install git+https://github.com/ultralytics/ultralytics.git

    Убедись, что в системе установлен инструмент командной строки Git.

  • Да, создай окружение conda с Python и Ultralytics YOLO одной командой, а затем активируй его:

    conda create --name ultralytics-env -c conda-forge python=3.11 ultralytics torchvision -y
conda activate ultralytics-env

    Этот способ — отличная альтернатива pip, обеспечивающая совместимость с другими пакетами. Для сред CUDA добавь метапакет pytorch-gpu в ту же команду, чтобы conda выбрала сборку PyTorch с поддержкой CUDA:

    conda create --name ultralytics-env -c conda-forge python=3.11 ultralytics torchvision pytorch-gpu -y
conda activate ultralytics-env

    Дополнительные инструкции смотри в кратком руководстве по Conda.

  • Docker предоставляет изолированную и согласованную среду для Ultralytics YOLO, обеспечивая стабильную работу в разных системах и избавляя от сложностей локальной установки. Официальные образы Docker доступны на Docker Hub; есть варианты для GPU, CPU, ARM64, NVIDIA Jetson и Conda. Чтобы загрузить и запустить последнюю версию образа:

    # 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:latest

    В Linux для запросов устройств CDI требуются Docker версии 28.2.0 или выше и NVIDIA Container Toolkit версии 1.18 или выше. Подробные инструкции по Docker смотри в кратком руководстве по Docker.

  • Клонируй репозиторий Ultralytics и настрой среду разработки:

    # 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 .

    Это позволит вносить вклад в проект или экспериментировать с последней версией исходного кода. Информацию о форках и фиксации пользовательской ветки смотри в разделе «Установка для разработки».

  • CLI Ultralytics YOLO упрощает выполнение задач обнаружения объектов без кода на Python и позволяет запускать обучение, валидацию и предсказание одной командой прямо из терминала. Базовый синтаксис:

    yolo TASK MODE ARGS

    Например, чтобы обучить модель обнаружения объектов:

    yolo train data=coco8.yaml model=yolo26n.pt epochs=10

    Другие команды и примеры использования смотри в полном руководстве по CLI.

Участники
GLglenn-jocher40RIRizwanMunawar6RAraimbekovm5LALaughing-q3PDpderrenger3BUBurhan-Q3ONonuralpszr2JKjk4e2IVIvan Tikhonov1SEsergiuwaxmann1BOBovey08091FCfcakyon1LAlakshanthad1PIpicsalex1LEleonnil1MAMatthewNoyce1

Комментарии