Быстрый старт

Q: Can I install Ultralytics YOLO using conda?

Да, вы можете установить Ultralytics YOLO с помощью conda, запустив программу: Этот метод является отличной альтернативой pip и обеспечивает совместимость с другими пакетами в вашем окружении. Для окружения CUDA лучше всего установить ultralytics, pytorch и pytorch-cuda одновременно, чтобы устранить любые конфликты: Дополнительные инструкции можно найти в руководстве по быстрому запуску Conda.

Установите Ultralytics

Ultralytics предлагает различные способы установки, включая pip, conda и Docker. Установите YOLO с помощью ultralytics пакет pip для последнего стабильного выпуска или путем клонирования пакета Ultralytics Репозиторий GitHub для получения самой актуальной версии. Docker можно использовать для запуска пакета в изолированном контейнере, что позволяет избежать локальной установки.

Смотреть: Ultralytics YOLO Краткое руководство пользователя

Установите

Установка Pip (рекомендуется)Установка CondaGit-клонDocker

Установите ultralytics пакет с помощью pip, или обновите существующую установку, выполнив команду pip install -U ultralytics. Посетите Python Package Index (PyPI) для получения более подробной информации о ultralytics пакет: https://pypi.org/project/ultralytics/.

# Install the ultralytics package from PyPI
pip install ultralytics

Вы также можете установить ultralytics пакет непосредственно из GitHub репозиторий. Это может быть полезно, если вам нужна последняя версия разработки. Убедитесь, что в вашей системе установлен инструмент командной строки Git. Сайт @main команда устанавливает main ветвь и может быть изменена на другую ветвь, т.е. @my-branch, или полностью удалить, чтобы по умолчанию main филиал.

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

Conda - это альтернативный менеджер пакетов pip, который также можно использовать для установки. Посетите Anaconda для получения более подробной информации по адресу https://anaconda.org/conda-forge/ultralytics. Ultralytics Репозиторий feedstock для обновления пакета conda находится по адресу https://github.com/conda-forge/ultralytics-feedstock/.

# Install the ultralytics package using conda
conda install -c conda-forge ultralytics

Примечание

Если вы устанавливаете в среде CUDA , лучше всего установить ultralytics, pytorch и pytorch-cuda в той же команде, чтобы позволить менеджеру пакетов conda разрешить любые конфликты, или установить pytorch-cuda последний, чтобы позволить ему отменить CPU-специфический pytorch при необходимости.

# Install all packages together using conda
conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=11.8 ultralytics

Образ докера Conda

Ultralytics Образы Conda Docker также доступны с сайта DockerHub. Эти изображения основаны на Миниконда3 и являются простым способом начать использовать ultralytics в среде 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

Клонировать ultralytics если вы заинтересованы в участии в разработке или хотите поэкспериментировать с последним исходным кодом. После клонирования перейдите в каталог и установите пакет в редактируемом режиме -e с помощью 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 .

Используйте Docker, чтобы без труда выполнить ultralytics в изолированном контейнере, что обеспечивает стабильную и бесперебойную работу в различных средах. Выбрав один из официальных ultralytics изображения из Docker HubВы не только избежите сложностей локальной установки, но и получите доступ к проверенной рабочей среде. Ultralytics предлагает 5 основных поддерживаемых образов Docker, каждый из которых разработан для обеспечения высокой совместимости и эффективности для различных платформ и сценариев использования:

Dockerfile: GPU образ, рекомендуемый для обучения.
Dockerfile-arm64: Оптимизирован для архитектуры ARM64, что позволяет развертывать его на таких устройствах, как Raspberry Pi и других платформах на базе ARM64.
Dockerfile-cpu: Версия CPU только для Ubuntu, подходящая для выводов и сред без GPU.
Dockerfile-jetson: Предназначен для устройств NVIDIA Jetson, интегрирует поддержку GPU , оптимизированную для этих платформ.
Dockerfile-python: Минимальный образ, содержащий только Python и необходимые зависимости, идеально подходит для легких приложений и разработки.
Dockerfile-conda: основан на Miniconda3 с установкой conda из пакета ultralytics .

Ниже приведены команды для получения последнего образа и его выполнения:

# 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

Приведенная выше команда инициализирует контейнер Docker с последней версией ultralytics изображение. Сайт -it флаг назначает псевдо-TTY и поддерживает stdin открытым, позволяя вам взаимодействовать с контейнером. Флаг --ipc=host флаг устанавливает пространство имен IPC (Inter-Process Communication) на хосте, что необходимо для разделения памяти между процессами. Флаг --gpus all Флаг позволяет получить доступ ко всем доступным GPU внутри контейнера, что очень важно для задач, требующих вычислений по адресу GPU .

Примечание: Чтобы работать с файлами на локальной машине внутри контейнера, используйте тома Docker для монтирования локального каталога в контейнер:

# 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

Alter /path/on/host путь к каталогу на вашей локальной машине, и /path/in/container с указанием нужного пути внутри контейнера Docker для обеспечения доступности.

Если вы хотите узнать больше об использовании Docker, обратитесь к Ultralytics Docker Guide.

См. ultralytics pyproject.toml файл для получения списка зависимостей. Обратите внимание, что все приведенные примеры устанавливают все необходимые зависимости.

Наконечник

PyTorch Требования зависят от операционной системы и CUDA , поэтому рекомендуется сначала установить PyTorch , следуя инструкциям на сайте https://pytorch.org/get-started/locally.

Используйте Ultralytics с CLI

Интерфейс командной строки Ultralytics (CLI) позволяет выполнять простые однострочные команды без использования среды Python . Для работы с CLI не требуется настройка или код Python . Вы можете просто запускать все задачи из терминала с помощью команды yolo команда. Проверьте CLI Путеводитель чтобы узнать больше об использовании YOLO из командной строки.

Пример

СинтаксисПоездПредсказатьВэлЭкспортСпециальный

Ultralytics yolo В командах используется следующий синтаксис:

yolo TASK MODE ARGS

TASK (необязательно) - одно из (обнаружить, сегмент, классифицировать, поза, obb)
MODE (обязательно) является одним из (поезд, val, предсказать, экспорт, трек, эталон)
ARGS (необязательно) являются arg=value такие пары, как imgsz=640 которые отменяют значения по умолчанию.

Смотреть все ARGS в полном Руководство по настройке или с yolo cfg CLI командование.

Обучите модель обнаружения в течение 10 эпох с начальной скоростью обучения 0,01

yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01

Прогнозирование видео на YouTube с помощью предварительно обученной модели сегментации при размере изображения 320:

yolo predict model=yolo11n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320

Вал предварительно обученной модели обнаружения при размере партии 1 и размере изображения 640:

yolo val model=yolo11n.pt data=coco8.yaml batch=1 imgsz=640

Экспортируйте модель классификации yolo11n в формат ONNX с размером изображения 224 на 128 (не требуется TASK).

yolo export model=yolo11n-cls.pt format=onnx imgsz=224,128

Выполняйте специальные команды, чтобы посмотреть версию, просмотреть настройки, запустить проверки и многое другое:

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

Внимание

Аргументы должны быть переданы как arg=val пары, разделенные знаком равенства = знак и разделены пробелами между парами. Не используйте -- префиксы аргументов или запятые , между аргументами.

yolo predict model=yolo11n.pt imgsz=640 conf=0.25 ✅
yolo predict model yolo11n.pt imgsz 640 conf 0.25 ❌ (отсутствует =)
yolo predict model=yolo11n.pt, imgsz=640, conf=0.25 ❌ (не используйте ,)
yolo predict --model yolo11n.pt --imgsz 640 --conf 0.25 ❌ (не используйте --)

CLI Путеводитель

Используйте Ultralytics с Python

YOLOИнтерфейс Python позволяет легко интегрировать его в проекты Python , что упрощает загрузку, запуск и обработку результатов моделирования. Разработанный с учетом простоты и удобства использования, интерфейс Python позволяет пользователям быстро реализовать в своих проектах обнаружение, сегментацию и классификацию объектов. Это делает интерфейс YOLO' Python бесценным инструментом для тех, кто хочет внедрить эти функции в свои проекты Python .

Например, пользователи могут загрузить модель, обучить ее, оценить ее производительность на валидном множестве и даже экспортировать ее в формат ONNX всего несколькими строками кода. Ознакомьтесь с руководствомPython , чтобы узнать больше об использовании YOLO в ваших проектах Python .

Пример

from ultralytics import YOLO

# Create a new YOLO model from scratch
model = YOLO("yolo11n.yaml")

# Load a pretrained YOLO model (recommended for training)
model = YOLO("yolo11n.pt")

# Train the model using the 'coco8.yaml' dataset for 3 epochs
results = model.train(data="coco8.yaml", epochs=3)

# Evaluate the model's performance on the validation set
results = model.val()

# Perform object detection on an image using the model
results = model("https://ultralytics.com/images/bus.jpg")

# Export the model to ONNX format
success = model.export(format="onnx")

Python Путеводитель

Ultralytics Настройки

Библиотека Ultralytics предоставляет мощную систему управления настройками, позволяющую осуществлять тонкий контроль над экспериментами. Используя SettingsManager размещается в ultralytics.utils модуль, пользователи могут легко получить доступ к своим настройкам и изменить их. Они хранятся в JSON-файле в каталоге пользовательской конфигурации среды и могут быть просмотрены или изменены непосредственно в среде Python или через интерфейс командной строки (CLI).

Проверка настроек

Чтобы получить представление о текущей конфигурации ваших настроек, вы можете просмотреть их напрямую:

Просмотр настроек

PythonCLI

Для просмотра настроек можно использовать Python . Начните с импорта файла settings объект из ultralytics модуль. Печать и возврат настроек с помощью следующих команд:

from ultralytics import settings

# View all settings
print(settings)

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

Кроме того, интерфейс командной строки позволяет проверить настройки с помощью простой команды:

yolo settings

Изменение настроек

Ultralytics позволяет пользователям легко изменять свои настройки. Изменения могут быть выполнены следующими способами:

Обновление настроек

PythonCLI

В среде Python вызовите update метод на settings объект, чтобы изменить настройки:

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()

Если вы предпочитаете использовать интерфейс командной строки, следующие команды позволят вам изменить настройки:

# 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

Понимание настроек

В таблице ниже приведен обзор параметров, доступных для настройки на сайте Ultralytics. Каждый параметр приведен вместе с примером значения, типом данных и кратким описанием.

Имя	Пример значения	Тип данных	Описание
`settings_version`	`'0.0.4'`	`str`	Ultralytics версиянастроек (отличается от версии Ultralytics pip )
`datasets_dir`	`'/path/to/datasets'`	`str`	Каталог, в котором хранятся наборы данных
`weights_dir`	`'/path/to/weights'`	`str`	Каталог, в котором хранятся весовые коэффициенты модели
`runs_dir`	`'/path/to/runs'`	`str`	Каталог, в котором хранятся результаты экспериментов
`uuid`	`'a1b2c3d4'`	`str`	Уникальный идентификатор для текущих настроек
`sync`	`True`	`bool`	Нужно ли синхронизировать аналитику и аварии с HUB
`api_key`	`''`	`str`	Ultralytics Ключ API HUB
`clearml`	`True`	`bool`	Использовать ли ClearML ведение журнала
`comet`	`True`	`bool`	Стоит ли использовать Comet ML для отслеживания и визуализации экспериментов
`dvc`	`True`	`bool`	Стоит ли использовать DVC для отслеживания экспериментов и контроля версий
`hub`	`True`	`bool`	Нужно ли использовать интеграцию с Ultralytics HUB
`mlflow`	`True`	`bool`	Использовать ли MLFlow для отслеживания экспериментов
`neptune`	`True`	`bool`	Использовать ли Neptune для отслеживания экспериментов
`raytune`	`True`	`bool`	Использовать ли Ray Tune для настройки гиперпараметров
`tensorboard`	`True`	`bool`	Использовать ли TensorBoard для визуализации
`wandb`	`True`	`bool`	Использовать ли Weights & Biases ведение журнала
`vscode_msg`	`True`	`bool`	При обнаружении терминала VS Code появляется запрос на загрузку расширения Ultralytics-Snippets.

По мере работы над проектами и экспериментами обязательно обращайтесь к этим настройкам, чтобы убедиться, что они оптимально соответствуют вашим потребностям.

ЧАСТО ЗАДАВАЕМЫЕ ВОПРОСЫ

Как установить Ultralytics с помощью pip?

Чтобы установить Ultralytics с помощью pip, выполните следующую команду:

pip install ultralytics

Для последнего стабильного выпуска это позволит установить ultralytics пакет непосредственно с сайта Python Package Index (PyPI). Для получения более подробной информации посетите ultralytics пакет на PyPI.

Кроме того, вы можете установить последнюю версию разработки прямо с GitHub:

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

Убедитесь, что в вашей системе установлен инструмент командной строки Git.

Можно ли установить Ultralytics YOLO с помощью conda?

Да, вы можете установить Ultralytics YOLO с помощью conda, выполнив команду:

conda install -c conda-forge ultralytics

Этот метод является отличной альтернативой pip и обеспечивает совместимость с другими пакетами в вашем окружении. Для окружения CUDA лучше всего установить ultralytics, pytorch, и pytorch-cuda одновременно, чтобы разрешить любые конфликты:

conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=11.8 ultralytics

Дополнительные инструкции можно найти в руководстве по быстрому запуску Conda.

В чем преимущества использования Docker для запуска Ultralytics YOLO ?

Использование Docker для запуска Ultralytics YOLO обеспечивает изолированную и согласованную среду, гарантирующую бесперебойную работу на разных системах. Это также устраняет сложность локальной установки. Официальные образы Docker с сайта Ultralytics доступны на Docker Hub, с различными вариантами, адаптированными для сред GPU, CPU, ARM64, NVIDIA Jetson и Conda. Ниже приведены команды для извлечения и запуска последнего 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 --gpus all ultralytics/ultralytics:latest

Для получения более подробных инструкций по работе с Docker ознакомьтесь с руководством по быстрому запуску Docker.

Как клонировать репозиторий Ultralytics для разработки?

Чтобы клонировать репозиторий Ultralytics и создать среду разработки, выполните следующие действия:

# 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 .

Такой подход позволит вам внести свой вклад в проект или поэкспериментировать с последними версиями исходного кода. Для получения более подробной информации посетите репозиторийUltralytics GitHub.

Почему я должен использовать Ultralytics YOLO CLI ?

Интерфейс командной строки Ultralytics YOLO (CLI) упрощает выполнение задач по обнаружению объектов без необходимости написания кода Python . Вы можете выполнять однострочные команды для таких задач, как обучение, проверка и предсказание, прямо из терминала. Основной синтаксис для yolo Команды:

yolo TASK MODE ARGS

Например, для обучения модели обнаружения с заданными параметрами:

yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01

Ознакомьтесь с полным руководствомCLI , чтобы узнать больше команд и примеров использования.

📅 Создано 1 год назад ✏️ Обновлено 1 месяц назад