Başla

Ultralytics YOLO Conda ile Nasıl Yüklenir

Ultralytics package for Conda from conda-forge

Bu kılavuz, Ultralytics projelerin için Conda ortamı kurulumunu adım adım anlatır. Conda, açık kaynaklı bir paket ve ortam yönetim sistemidir; paketleri ve bağımlılıkları yüklemek için pip'e alternatiftir. Yalıtılmış ortamları, Conda'yı veri bilimi ve makine öğrenimi çalışmaları için özellikle uygun kılar.

Conda Sürümü Conda İndirmeleri Conda Tarifi Conda Platformları

Bu kılavuzda Ultralytics ile ortam oluşturmayı, çıkarım çalıştırmayı, Conda Docker imajını kullanmayı ve libmamba ile kurulumları hızlandırmayı ele alıyoruz.

Ön koşullar#

Sisteminde Anaconda veya Miniconda yüklü olmalıdır. Yüklü değilse Anaconda veya Miniconda üzerinden indirip yükle.

Ultralytics'i Yükleme#

conda-forge kanalından Ultralytics içeren yeni bir Conda ortamı oluşturup ardından etkinleştir. conda'nın güncel ve uyumlu sürümleri birlikte çözümlemesi için Python, Ultralytics ve torchvision paketini (conda-forge paketinin bağımlılığı değildir) aynı komutta yükle:

conda create --name ultralytics-env -c conda-forge python=3.11 ultralytics torchvision -y
conda activate ultralytics-env
CUDA ortamına yükleme

CUDA destekli bir ortamda çalışıyorsan, conda'nın CUDA destekli PyTorch derlemesini çözümlemesi için conda-forge pytorch-gpu meta paketini aynı komuta ekle:

conda create --name ultralytics-env -c conda-forge python=3.11 ultralytics torchvision pytorch-gpu -y
conda activate ultralytics-env

ROCm Ortamı Hakkında Not (AMD GPU, Linux)#

Linux'ta ROCm kullanarak AMD GPU hızlandırması için PyTorch ROCm wheel'leri Conda üzerinden sunulmaz ve pip ile yüklenmelidir. Yalıtım için Conda ortamı kullan, ardından PyTorch ROCm ve Ultralytics'i pip ile yükle:

conda create --name ultralytics-rocm python=3.12 -y
conda activate ultralytics-rocm
pip install "torch[device-all]" "torchvision[device-all]" --index-url https://stable.repo.amd.com/rocm/whl-next/
pip install ultralytics

Desteklenen ROCm sürümleri için PyTorch Başlangıç sayfasına, MIGraphX çıkarım kurulumuna ilişkin bilgiler içinse Linux x86_64 üzerinde Python 3.11 veya daha yeni sürüm gerektiren AMD GPU kılavuzuna bak.

Ultralytics'i Kullanma#

Ultralytics yüklüyken nesne algılama, örnek segmentasyonu ve diğer görsel görevleri çalıştırabilirsin. Örneğin, bir görüntüde çıkarım çalıştırmak için:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # modeli başlat
results = model("path/to/image.jpg")  # çıkarım yap
results[0].show()  # ilk görüntünün sonuçlarını göster

Ultralytics Conda Docker Görüntüsü#

Conda Dockerfile, conda-forge PyTorch 2.13, torchvision 0.28 ve CUDA 13.0 kullanır. conda-forge sürümleri, standart GPU görüntüsünde kullanılan PyTorch pip sürümlerinin gerisinde kalabilir. latest-conda otomatik yayımlaması devre dışıdır; bu nedenle güncel görüntüyü yerel olarak derle:

git clone https://github.com/ultralytics/ultralytics
cd ultralytics
t=ultralytics-conda:local
sudo docker build -f docker/Dockerfile-conda -t $t .

Görüntüyü çalıştır:

# Run the Ultralytics image in a container with GPU support
sudo docker run -it --ipc=host --device nvidia.com/gpu=all $t                         # all GPUs
sudo docker run -it --ipc=host --device nvidia.com/gpu=2 --device nvidia.com/gpu=3 $t # specify GPUs

Linux'ta CDI cihaz istekleri için Docker >= 28.2.0 ve NVIDIA Container Toolkit >= 1.18 gerekir. Eski --gpus all bayrağı, ana makinedeki daemon yeniden yüklendikten sonra GPU erişimini kaybettirebilir; bu nedenle eski Linux ana makinelerini yükselt ve bunun yerine --device kullan. Ayrıntılar için Docker Hızlı Başlangıç Kılavuzu sayfasına bak.

Libmamba ile Yüklemeyi Hızlandırma#

libmamba, Conda'nın klasik çözücüsünün yerini alan hızlı, platformlar arası ve bağımlılıkları dikkate alan bir çözücüdür. Conda 23.10 ve sonraki sürümlerinde varsayılan çözücü olarak zaten libmamba kullanılır; bu nedenle çoğu kurulum varsayılan ayarlarla daha hızlıdır.

Daha eski bir Conda sürümü kullanıyorsan libmamba'ı elle etkinleştirebilirsin:

  1. Önce conda-libmamba-solver paketini yükle:

    conda install conda-libmamba-solver
  2. Ardından Conda'yı çözücü olarak libmamba kullanacak şekilde yapılandır:

    conda config --set solver libmamba

Bir Conda ortamını başarıyla kurdun, Ultralytics paketini yükledin ve artık özelliklerini keşfetmeye hazırsın. Daha ileri düzey eğitimler ve örnekler için Ultralytics belgelerine göz at.

Sık Sorulan Sorular#

  • conda'nın ikisini birlikte çözümlemesi için Python ve Ultralytics ile ortamı conda-forge kanalından tek komutla oluştur, ardından etkinleştir:

    conda create --name ultralytics-env -c conda-forge python=3.11 ultralytics torchvision -y
    conda activate ultralytics-env
  • Conda, pip'e kıyasla çeşitli avantajlar sunan bir paket ve ortam yönetim sistemidir. Bağımlılıkları verimli biçimde yönetir ve gerekli tüm kitaplıkların uyumlu olmasını sağlar. Conda'nın yalıtılmış ortamları, paketler arasında çakışmaları önler; bu da veri bilimi ve makine öğrenimi projeleri için kritik öneme sahiptir. Ayrıca Conda, ikili paket dağıtımını destekleyerek yükleme sürecini hızlandırır.

  • Evet. CUDA destekli bir PyTorch derlemesinin de birlikte çözümlenmesi için ortamı ultralytics ve conda-forge pytorch-gpu meta paketiyle aynı komutta oluştur:

    conda create --name ultralytics-env -c conda-forge python=3.11 ultralytics torchvision pytorch-gpu -y
    conda activate ultralytics-env

    Bu kurulum, derin öğrenme modeli eğitimi ve çıkarımı gibi yoğun görevler için kritik olan GPU hızlandırmasını sağlar. Daha fazla bilgi için Ultralytics kurulum kılavuzunu ziyaret et.

  • Conda Dockerfile'ı, CUDA destekli PyTorch içeren yalıtılmış bir conda-forge ortamı sağlar. Yerel derleme talimatlarını izle, ardından orada gösterilen GPU seçenekleriyle çalıştır. Yayımlanan standart GPU görüntüsü ve diğer seçenekler Docker kılavuzunda listelenmiştir.

  • Conda 23.10 ve sonraki sürümlerinde varsayılan olarak hızlı libmamba çözücüsü kullanılır. Daha eski Conda sürümlerinde önce conda-libmamba-solver paketini yükleyerek bu çözücüyü elle etkinleştirebilirsin:

    conda install conda-libmamba-solver

    Ardından Conda'yı çözücü olarak libmamba kullanacak şekilde yapılandır:

    conda config --set solver libmamba

    Bu kurulum, daha hızlı ve verimli paket yönetimi sağlar.

Yorumlar6

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.

  1. najwazkiyahhGitHub

    Hi! I'm the new to using YOLO. I have python 3.12 on my laptop because my previous exam need it-the latest version of python. I want to install ultralytics YOLOv11, should I downgrade my python version from 3.12 into 3.11? Or I should downgrade my python version to the recommended requirement, 3.8? Thank you, hope you (anybody) can answer my confusion.

    1. Glenn JocherUltralytics

      @najwazkiyahh you don't need to downgrade your system Python! 😊 Simply create a Conda environment with Python 3.11 using conda create --name yolo_env python=3.11, then activate it and install Ultralytics. This keeps your existing Python 3.12 intact while giving you a compatible YOLO11 environment. For full steps, see the Conda Quickstart Guide for Ultralytics.

      We recommend this approach as it maintains version isolation while allowing you to work with both Python versions seamlessly. Welcome to the YOLO community! 🚀

  2. MalvinlamGitHub

    Hi is there a way to install the yolov8 dependencies using Anaconda prompt to the virtual environment other than pip install ultralytics? For example I already downloaded the ultralytics package from GitHub and opened it as project folder using PyCharm. Is there a way to only install the required libraries?

    1. Glenn JocherUltralytics(düzenlendi)

      @Malvinlam hi there! 👋

      Absolutely, you can install the required dependencies for Ultralytics using Conda without relying on pip install ultralytics. Here's a step-by-step guide to help you set up your Conda environment and install the necessary libraries:

      1. Create a New Conda Environment: First, create a new Conda environment with Python 3.11 (or your preferred version):

        conda create --name ultralytics-env python=3.11 -y
      2. Activate the Environment: Activate your newly created environment:

        conda activate ultralytics-env
      3. Install Required Libraries: The repository no longer has a requirements.txt; its dependencies are declared in pyproject.toml. From the root of your cloned repository, run:

        pip install -e .

        Alternatively, if you want to install specific packages manually, you can use:

        conda install -c conda-forge numpy pandas matplotlib opencv scikit-learn
        conda install -c pytorch pytorch torchvision torchaudio
      4. Note on CUDA Environment: If you're working in a CUDA-enabled environment, it's a good practice to install pytorch and pytorch-cuda together to resolve any conflicts:

        conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision torchaudio pytorch-cuda=11.8
      5. Using Ultralytics: With the dependencies installed, you can now start using Ultralytics. For example, to perform inference with YOLO26:

        from ultralytics import YOLO
        
        model = YOLO("yolo26n.pt")  # initialize model
        results = model("path/to/image.jpg")  # perform inference
        results[0].show()  # display results for the first image

      For more detailed instructions, you can refer to our Conda Quickstart Guide.

      If you encounter any issues or have further questions, feel free to ask. Happy coding! 😊

  3. nadinatorGitHub

    Does the python version have to be 3.8? Can it be a newer version? What would/wouldn't break if we used 3.11, for example (I'm thinking of the [ray]tuning feature)?

    1. Glenn JocherUltralytics

      Hey there! 😊

      You can definitely use Python versions newer than 3.8, including 3.11. However, it's important to note that while most features should work fine, there might be some compatibility issues with newer Python versions, especially with external libraries or specific features like [ray] tuning.

      If you're keen on using Python 3.11, I'd recommend testing the key functionalities you plan to use in your project to ensure everything runs smoothly. For the [ray] tuning feature, you might want to check Ray's documentation or GitHub issues for any known compatibility concerns with Python 3.11.

      Here's a quick example of how you might set up your environment with Python 3.11:

      conda create --name ultralytics-env python=3.11 -y
      conda activate ultralytics-env
      conda install -c conda-forge ultralytics

      And remember, if you encounter any issues, the Ultralytics community is here to help! 🚀