Установите Ultralytics

Установите или обновите ultralytics пакет с помощью pip, запустив pip install -U ultralytics. Для получения более подробной информации о ultralytics пакета, посетите Индекс пакетов Python (PyPI).

# Install the ultralytics package from PyPI
pip install ultralytics

Вы также можете установить ultralytics непосредственно из Ultralytics Репозиторий GitHub. Это может быть полезно, если вам нужна последняя версия для разработки. Убедитесь, что у вас установлен инструмент командной строки Git, а затем запустите:

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

Conda можно использовать в качестве альтернативного пакетного менеджера вместо pip. Для получения более подробной информации посетите сайт Anaconda. Репозиторий Ultralytics для обновления пакета conda доступен на GitHub.

# 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 Образы Conda Docker также доступны с сайта DockerHub. Эти изображения основаны на Миниконда3 и обеспечивают 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

Клонировать Ultralytics Репозиторий GitHub если вы заинтересованы в участии в разработке или хотите поэкспериментировать с последним исходным кодом. После клонирования перейдите в каталог и установите пакет в режиме редактирования -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 для выполнения ultralytics пакет в изолированном контейнере, обеспечивая стабильную производительность в различных средах. Выбрав один из официальных ultralytics изображения из Docker HubВы избегаете сложностей локальной установки и получаете доступ к проверенной рабочей среде. Ultralytics предлагает пять основных поддерживаемых образов Docker, каждый из которых разработан для высокой совместимости и эффективности:

• Dockerfile: GPU образ, рекомендуемый для обучения.
• Dockerfile-arm64: Оптимизирован для архитектуры ARM64, подходит для развертывания на таких устройствах, как Raspberry Pi и другие платформы на базе ARM64.
• Dockerfile-cpu: Версия только для CPU на базе Ubuntu, подходит для инференса и сред без GPU.
• Dockerfile-jetson: Специально разработан 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: На основе Miniconda3 с установкой conda ultralytics пакет.

Вот 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 флаги назначают псевдо-TTY и поддерживают stdin открытым, позволяя взаимодействовать с контейнером. The --ipc=host флаг устанавливает пространство имен IPC (Inter-Process Communication) на хосте, что необходимо для разделения памяти между процессами. Флаг --gpus all флаг обеспечивает доступ ко всем доступным GPU внутри контейнера, что крайне важно для задач, требующих вычислений на 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

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

Для расширенного использования Docker ознакомьтесь с Руководством по Docker от Ultralytics.

Вы можете установить ultralytics основной пакет без каких-либо зависимостей, используя pip --no-deps флаг. Это требует от вас ручной установки всех необходимых зависимостей впоследствии.

1. Установите ultralytics ядро:

   pip install ultralytics --no-deps
   

2. Установите зависимости вручную: Вам необходимо установить все необходимые пакеты, перечисленные в pyproject.toml файл, заменяя или изменяя версии по мере необходимости. Для примера headless OpenCV:

   # Install other core dependencies
   pip install torch torchvision numpy matplotlib pandas pyyaml pillow psutil requests tqdm scipy seaborn ultralytics-thop
   
   # Install headless OpenCV instead of the default
   pip install opencv-python-headless
   

Если вам нужны постоянные пользовательские изменения (например, всегда использовать opencv-python-headless), вы можете сделать форк репозитория Ultralytics, внести изменения в pyproject.toml или другой код, и установите из своего форка.

1. Сделайте форк репозитория Ultralytics GitHub в свою учетную запись GitHub.
2. Клонировать вашу локальную копию форка:

   git clone https://github.com/YOUR_USERNAME/ultralytics.git
   cd ultralytics
   

3. Создайте новую ветку для ваших изменений:

   git checkout -b custom-opencv
   

4. Изменить pyproject.toml: Открыть pyproject.toml в текстовом редакторе и замените строку, содержащую "opencv-python>=4.6.0" с "opencv-python-headless>=4.6.0" (при необходимости отрегулируйте версию).
5. Зафиксировать и отправить ваши изменения:

   git add pyproject.toml
   git commit -m "Switch to opencv-python-headless"
   git push origin custom-opencv
   

6. Установите использование pip с git+https синтаксис, указывающий на вашу ветку:

   pip install git+https://github.com/YOUR_USERNAME/ultralytics.git@custom-opencv
   

Этот метод гарантирует, что ваш пользовательский набор зависимостей будет использоваться всякий раз, когда вы устанавливаете его с этого конкретного URL-адреса. См. Метод 4 для использования этого в requirements.txt файл.

Аналогично стандартному методу "Git Clone" для разработки, вы можете клонировать репозиторий локально, изменить файлы зависимостей перед установкой, а затем установить в редактируемом режиме.

1. Клонировать репозиторий Ultralytics:

   git clone https://github.com/ultralytics/ultralytics
   cd ultralytics
   

2. Изменить pyproject.toml: Отредактируйте файл, чтобы внести желаемые изменения. Например, используйте sed (в Linux/macOS) или текстовый редактор для замены opencv-python с opencv-python-headless. Использование sed (проверьте точную строку в pyproject.toml первый):

   # Example: Replace the line starting with "opencv-python..."
   # Adapt the pattern carefully based on the current file content
   sed -i'' -e 's/^\s*"opencv-python>=.*",/"opencv-python-headless>=4.8.0",/' pyproject.toml
   

   Или отредактируйте вручную pyproject.toml чтобы изменить "opencv-python>=... на "opencv-python-headless>=...".
3. Установите пакет в редактируемом режиме (-e). Pip теперь будет использовать ваш измененный pyproject.toml для разрешения и установки зависимостей:

   pip install -e .
   

Этот подход полезен для тестирования локальных изменений в зависимостях или конфигурациях сборки перед их фиксацией или для настройки определенных сред разработки.

Если вы управляете зависимостями вашего проекта с помощью requirements.txt файле вы можете указать свой собственный форк Ultralytics непосредственно в нем. Это гарантирует, что любой, кто настраивает проект, получит вашу конкретную версию с ее измененными зависимостями (например, opencv-python-headless).

1. Создать или редактировать requirements.txt: Добавьте строку, указывающую на ваш пользовательский форк и ветку (как подготовлено в Методе 2).
   requirements.txt

   # Core dependencies
   numpy
   matplotlib
   pandas
   pyyaml
   Pillow
   psutil
   requests>=2.23.0
   tqdm
   torch>=1.8.0 # Or specific version/variant
   torchvision>=0.9.0 # Or specific version/variant
   
   # Install ultralytics from a specific git commit or branch
   # Replace YOUR_USERNAME and custom-branch with your details
   git+https://github.com/YOUR_USERNAME/ultralytics.git@custom-branch
   
   # Other project dependencies
   flask
   # ... etc
   

   Примечание: Вам не нужно перечислять зависимости, которые уже требуются вашей пользовательской ultralytics форк (например, opencv-python-headless) здесь, так как pip установит их на основании версии форка pyproject.toml.
2. Установите зависимости из файла:

   pip install -r requirements.txt
   

Этот метод легко интегрируется со стандартными рабочими процессами управления зависимостями проектов Python, позволяя при этом закреплять ultralytics в ваш настроенный Git-источник.

Ultralytics yolo В командах используется следующий синтаксис:

yolo TASK MODE ARGS

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

Проверка предварительно обученной модели обнаружения с размером пакета 1 и размером изображения 640:

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

Экспортируйте модель классификации YOLOv11n в формат ONNX с размером изображения 224x128 (TASK не требуется):

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

Подсчет объектов в видео или прямой трансляции с использованием YOLO11:

yolo solutions count show=True

yolo solutions count source="path/to/video.mp4" # specify video file path

Мониторинг упражнений с использованием модели позы YOLO11:

yolo solutions workout show=True

yolo solutions workout source="path/to/video.mp4" # specify video file path

# Use keypoints for ab-workouts
yolo solutions workout kpts="[5, 11, 13]" # left side
yolo solutions workout kpts="[6, 12, 14]" # right side

Используйте YOLO11 для подсчета объектов в указанной очереди или регионе:

yolo solutions queue show=True

yolo solutions queue source="path/to/video.mp4" # specify video file path

yolo solutions queue region="[(20, 400), (1080, 400), (1080, 360), (20, 360)]" # configure queue coordinates

Выполните обнаружение объектов, сегментацию экземпляров или оценку позы в веб-браузере с помощью Streamlit:

yolo solutions inference

yolo solutions inference model="path/to/model.pt" # use model fine-tuned with Ultralytics Python package

Выполните специальные команды, чтобы увидеть версию, просмотреть настройки, запустить проверки и многое другое:

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

Используйте Python для просмотра ваших настроек, импортировав settings объект из ultralytics модуль. Распечатайте и верните настройки с помощью этих команд:

from ultralytics import settings

# View all settings
print(settings)

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

Интерфейс командной строки позволяет проверить настройки с помощью:

yolo settings

В Python используйте update метод на settings объект:

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()

Чтобы изменить настройки с помощью интерфейса командной строки:

# 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