Быстрый старт

Установи ultralytics пакет с помощью pip, или обнови существующую установку, запустив pip install -U ultralytics. Посетите Python Package Index (PyPI), чтобы получить более подробную информацию о ultralytics пакет: https://pypi.org/project/ultralytics/.

# Install the ultralytics package from PyPI
pip install ultralytics

Ты также можешь установить ultralytics пакет прямо из GitHub хранилище. Это может пригодиться, если тебе нужна последняя версия разработки. Убедись, что в твоей системе установлен инструмент командной строки Git. Сайт @main Команда устанавливает main ветвь и может быть изменена на другую ветвь, т.е. @my-branchили полностью удалить, чтобы по умолчанию main Ветка.

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

Conda - альтернативный pip менеджер пакетов, который также можно использовать для установки. Подробнее об Anaconda можно узнать на сайте 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

# 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 Докер-образы Conda также доступны из DockerHub. Эти изображения основаны на Миниконда3 и это простой способ 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

Клонируй ultralytics репозиторий, если ты заинтересован в участии в разработке или хочешь поэкспериментировать с последним исходным кодом. После клонирования перейди в директорию и установи пакет в редактируемом режиме -e Используя 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 .

Используй Docker, чтобы без особых усилий выполнить ultralytics пакет в изолированном контейнере, что гарантирует стабильную и бесперебойную работу в различных средах. Выбрав один из официальных ultralytics изображения из Docker HubТы не только избежишь сложностей локальной установки, но и получишь 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:

• Докерфайл: Образ GPU, рекомендованный для тренировки.
• Dockerfile-arm64: Оптимизирован для архитектуры ARM64, что позволяет разворачивать его на таких устройствах, как Raspberry Pi и других платформах на базе ARM64.
• Dockerfile-cpu: версия только для CPU на базе Ubuntu, подходящая для выводов и окружений без GPU.
• Dockerfile-jetson: Настроен 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 держит stdin открытым, позволяя тебе взаимодействовать с контейнером. Флаг --ipc=host Флаг задает хосту пространство имен IPC (Inter-Process Communication), которое необходимо для разделения памяти между процессами. Флаг --gpus all Флаг позволяет получить доступ ко всем доступным GPU внутри контейнера, что крайне важно для задач, требующих вычислений на GPU.

Примечание: чтобы работать с файлами на твоей локальной машине внутри контейнера, используй Docker volumes для монтирования локальной директории 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 директории на твоей локальной машине, и /path/in/container с указанием нужного пути внутри Docker-контейнера для доступности.

Для продвинутого использования Docker не стесняйся изучить Ultralytics Docker Guide.

Ultralytics yolo Команды используют следующий синтаксис:

yolo TASK MODE ARGS

• TASK (необязательно) - это одно из (обнаружить, сегмент, классифицировать, Поза)
• MODE (обязательно) - это одно из (Поезд, val, предсказать, экспорт, трек)
• ARGS (необязательно) arg=value Такие пары, как imgsz=640 которые отменяют настройки по умолчанию.

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

Обучи модель обнаружения в течение 10 эпох с начальной скоростью обучения 0.01

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

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

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

Вали предварительно обученную модель обнаружения при размере партии 1 и размере изображения 640:

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

Экспортируй модель классификации YOLOv8n в формат ONNX с размером изображения 224 на 128 (не требуется TASK).

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

Выполняй 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

Ты можешь использовать Python для просмотра своих настроек. Начни с того, что импортируй settings объект из ultralytics модуль. Распечатай и верни настройки, используя следующие команды:

from ultralytics import settings

# View all settings
print(settings)

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

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

yolo settings

В среде Python вызови 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 ты предпочитаешь использовать интерфейс командной строки, то следующие команды позволят тебе 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