Ultralytics YOLO27:

Установка Ultralytics#

Установи пакет ultralytics с помощью pip, conda или Docker, либо из исходного кода, а затем запусти свое первое предсказание с помощью предобученной модели YOLO26. Каждый метод устанавливает все необходимые зависимости, указанные в pyproject.toml.

Установка

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

pip install -U ultralytics

Для получения последней версии 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.

Использование Ultralytics через CLI#

Запусти свое первое предсказание из терминала с помощью команды yolo:

yolo predict model=yolo26n.pt

Предобученные веса yolo26n.pt скачиваются автоматически, модель запускается на двух поставляемых в комплекте примерах изображений, а команда выводит путь сохранения аннотированных результатов runs/detect/predict при первом запуске. Укажи source собственное изображение, видео, директорию, URL-адрес, поток или веб-камеру с помощью source=0:

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

predict — это режим, определяющий то, что нужно сделать с моделью: train, val, predict, export, track или benchmark. Задача (detect, segment, semantic, depth, classify, pose или obb) считывается из файла модели, поэтому синтаксис yolo TASK MODE ARGS обычно требует только указания режима и пар arg=value, таких как imgsz=640. Смотри Руководство по CLI для каждого режима и страницу Конфигурация для всех аргументов.

Использование Ultralytics с Python#

То же предсказание на Python:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # load a pretrained YOLO26n detection model
results = model("https://ultralytics.com/images/bus.jpg", save=True)  # predict and save the annotated image

results представляет собой список объектов Results (по одному на каждое изображение), содержащих рамки, маски, ключевые точки или вероятности классов в зависимости от поставленной задачи. В Руководстве по Python описаны обучение, валидация, экспорт и трекинг с использованием того же класса YOLO.



Watch: Ultralytics YOLO Quick Start Guide

Настройки Ultralytics#

Постоянные настройки, такие как директории датасетов, весов и запусков, ключ API Платформы Ultralytics и переключатели логгеров экспериментов, хранятся в JSON-файле, управляемом с помощью yolo settings. Смотри страницу Настройки, чтобы просмотреть, изменить или сбросить их.

Что дальше#

Ознакомься с режимами, в которых выполняются запуски YOLO, и размерами моделей YOLO26, а затем обучай модель на собственных данных после их форматирования с помощью Руководства по датасетам.

Чтобы заглянуть в будущее, изучи YOLO27 (Coming Soon). Его модели еще недоступны; в примерах выше используется выпущенное семейство YOLO26.

Часто задаваемые вопросы#

  • Установи Ultralytics с помощью pip, выполнив:

    pip install -U ultralytics

    Это устанавливает последний стабильный выпуск пакета ultralytics из PyPI. Чтобы установить версию для разработки напрямую из GitHub:

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

    Убедись, что в твоей системе установлен командный инструмент Git.

  • Да, установи Ultralytics YOLO с помощью conda, выполнив:

    conda install -c conda-forge ultralytics

    Этот метод является отличной альтернативой pip, обеспечивая совместимость с другими пакетами. Для сред CUDA установи ultralytics вместе с метапакетом pytorch-gpu, чтобы conda выбрала сборку PyTorch с поддержкой CUDA:

    conda install -c conda-forge ultralytics pytorch-gpu

    Дополнительные инструкции см. в кратком руководстве по Conda.

  • Docker предоставляет изолированную и стабильную среду для Ultralytics YOLO, обеспечивая плавную производительность в различных системах и избавляя от сложностей локальной установки. Официальные образы Docker доступны на Docker Hub, с вариантами для GPU, CPU, ARM64, NVIDIA Jetson и Conda. Чтобы скачать и запустить последний образ:

    # 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

    На Linux для запросов устройств CDI требуются Docker >= 28.2.0 и NVIDIA Container Toolkit >= 1.18. Подробные инструкции по Docker см. в Docker quickstart guide.

  • Клонируй репозиторий Ultralytics и настрой среду разработки с помощью:

    # 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 позволяет вносить вклад в проект или экспериментировать с последним исходным кодом. Информацию о форках и закреплении определенной ветки смотри в разделе Установка для разработки.

  • Интерфейс командной строки Ultralytics YOLO CLI упрощает выполнение задач обнаружения объектов без кода на Python, позволяя использовать однострочные команды для обучения, валидации и предсказания прямо из терминала. Базовый синтаксис:

    yolo TASK MODE ARGS

    Например, чтобы обучить модель обнаружения:

    yolo train data=coco8.yaml model=yolo26n.pt epochs=10 lr0=0.01

    Изучи больше команд и примеров использования в полном руководстве по CLI.

Участники
GLglenn-jocher39RIRizwanMunawar6RAraimbekovm4LALaughing-q3PDpderrenger3BUBurhan-Q3ONonuralpszr2JKjk4e2SEsergiuwaxmann1BOBovey08091FCfcakyon1LAlakshanthad1PIpicsalex1LEleonnil1MAMatthewNoyce1

Комментарии