Быстрый старт
Установка Ultralytics
Ultralytics предлагает различные методы установки, включая pip, conda и Docker. Установите YOLOv8 через пакет ultralytics pip для последнего стабильного выпуска или путем клонирования репозитория Ultralytics на GitHub для получения самой актуальной версии. Docker можно использовать для выполнения пакета в изолированном контейнере, избегая локальной установки.
Установка
Установите пакет ultralytics с помощью pip или обновите существующую установку, запустив pip install -U ultralytics. Посетите индекс пакетов Python (PyPI) для получения дополнительной информации о пакете ultralytics: https://pypi.org/project/ultralytics/.
Вы также можете установить пакет ultralytics напрямую из репозитория на GitHub. Это может быть полезно, если вы хотите получить последнюю версию для разработки. Убедитесь, что в вашей системе установлен инструмент командной строки Git. Команда @main устанавливает ветку main, которую можно изменить на другую, к примеру, @my-branch, или удалить полностью, чтобы по умолчанию использовалась ветка main.
Conda - это альтернативный менеджер пакетов для pip, который также может быть использован для установки. Посетите Anaconda для получения дополнительной информации: https://anaconda.org/conda-forge/ultralytics. Репозиторий для обновления conda пакета Ultralytics находится здесь: https://github.com/conda-forge/ultralytics-feedstock/.
Заметка
Если вы устанавливаете пакет в среде CUDA, лучшей практикой будет установка ultralytics, pytorch и pytorch-cuda одной командой, чтобы менеджер пакетов conda мог разрешить любые конфликты или установить pytorch-cuda последним, чтобы при необходимости он мог заменить пакет pytorch, предназначенный для ЦП.
Образ Conda для Docker
Образы Conda Ultralytics также доступны на DockerHub. Эти образы основаны на Miniconda3 и являются простым способом начать использовать ultralytics в среде Conda.
# Установка имени образа в переменную
t=ultralytics/ultralytics:latest-conda
# Скачивание последнего образа ultralytics с Docker Hub
sudo docker pull $t
# Запуск образа ultralytics в контейнере с поддержкой GPU
sudo docker run -it --ipc=host --gpus all $t # все GPU
sudo docker run -it --ipc=host --gpus '"device=2,3"' $t # выбор GPU
Клонируйте репозиторий ultralytics, если вы заинтересованы в участии в разработке или хотите экспериментировать с последним исходным кодом. После клонирования перейдите в каталог и установите пакет в режиме редактирования -e с помощью pip.
Смотрите файл requirements.txt ultralytics для списка зависимостей. Обратите внимание, что все приведенные выше примеры устанавливают все необходимые зависимости.
Watch: Ultralytics YOLO Quick Start Guide
Совет
Требования PyTorch зависят от операционной системы и требований CUDA, поэтому рекомендуется сначала установить PyTorch, следуя инструкциям на https://pytorch.org/get-started/locally.
Использование Ultralytics с CLI
Интерфейс командной строки (CLI) Ultralytics позволяет выполнять простые команды одной строкой без необходимости настройки Python среды. CLI не требует настройки или кода на Python. Все задачи можно легко выполнить из терминала с помощью команды yolo. Прочтите Руководство по CLI, чтобы узнать больше о использовании YOLOv8 из командной строки.
Пример
Команды Ultralytics yolo используют следующий синтаксис:
yolo ЗАДАЧА РЕЖИМ АРГУМЕНТЫ
Где ЗАДАЧА (необязательно) одна из [detect, segment, classify]
РЕЖИМ (обязательно) один из [train, val, predict, export, track]
АРГУМЕНТЫ (необязательно) любое количество пар 'arg=value', которые переопределяют настройки по умолчанию.
yolo cfg
Обучение модели для детекции на 10 эпохах с начальной скоростью обучения 0.01
Прогнозирование видео с YouTube с использованием предварительно обученной модели сегментации при размере изображения 320:
Валидация предварительно обученной модели детекции с размером партии 1 и размером изображения 640:
Экспорт модели классификации YOLOv8n в формат ONNX с размером изображения 224 на 128 (TASK не требуется)
Предупреждение
Аргументы должны передаваться в виде пар arg=val, разделенных знаком равенства =, и разделены пробелами между парами. Не используйте префиксы аргументов -- или запятые , между аргументами.
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❌
Использование Ultralytics с Python
Python интерфейс YOLOv8 позволяет легко интегрировать его в ваши Python проекты, упрощая загрузку, выполнение и обработку результатов работы модели. Интерфейс Python разработан с акцентом на простоту и удобство использования, позволяя пользователям быстро внедрять функции обнаружения объектов, сегментации и классификации в их проектах. Это делает интерфейс Python YOLOv8 незаменимым инструментом для тех, кто хочет включить эти функции в свои Python проекты.
Например, пользователи могут загрузить модель, обучить ее, оценить ее производительность на валидационном наборе, и даже экспортировать ее в формат ONNX всего за несколько строк кода. Подробнее о том, как использовать YOLOv8 в ваших Python проектах, читайте в Руководстве по Python.
Пример
from ultralytics import YOLO
# Создание новой YOLO модели с нуля
model = YOLO('yolov8n.yaml')
# Загрузка предварительно обученной YOLO модели (рекомендуется для обучения)
model = YOLO('yolov8n.pt')
# Обучение модели с использованием набора данных 'coco128.yaml' на 3 эпохи
results = model.train(data='coco128.yaml', epochs=3)
# Оценка производительности модели на валидационном наборе
results = model.val()
# Выполнение обнаружения объектов на изображении с помощью модели
results = model('https://ultralytics.com/images/bus.jpg')
# Экспорт модели в формат ONNX
success = model.export(format='onnx')