Hızlı Başlangıç

Q: How do I install Ultralytics using pip?

To install Ultralytics with pip, execute the following command: For the latest stable release, this will install the ultralytics package directly from the Python Package Index (PyPI). For more details, visit the ultralytics package on PyPI. Alternatively, you can install the latest development version directly from GitHub: Make sure to have the Git command-line tool installed on your system.

Q: Can I install Ultralytics YOLO using conda?

Yes, you can install Ultralytics YOLO using conda by running: This method is an excellent alternative to pip and ensures compatibility with other packages in your environment. For CUDA environments, it's best to install ultralytics, pytorch, and pytorch-cuda simultaneously to resolve any conflicts: For more instructions, visit the Conda quickstart guide.

Q: Why should I use Ultralytics YOLO CLI?

The Ultralytics YOLO command line interface (CLI) simplifies running object detection tasks without requiring Python code. You can execute single-line commands for tasks like training, validation, and prediction straight from your terminal. The basic syntax for yolo commands is: For example, to train a detection model with specified parameters: Check out the full CLI Guide to explore more commands and usage examples.

Kurulum Ultralytics

Ultralytics pip, conda ve Docker dahil olmak üzere çeşitli kurulum yöntemleri sağlar. YOLO adresini şu yolla yükleyin ultralytics pip paketini klonlayarak veya en son kararlı sürüm için Ultralytics GitHub deposu en güncel sürüm için. Docker, yerel kurulumdan kaçınarak paketi yalıtılmış bir kapta çalıştırmak için kullanılabilir.

İzle: Ultralytics YOLO Hızlı Başlangıç Kılavuzu

Kurulum

Pip kurulumu (önerilir)Conda kurulumuGit klonuDocker

Yükleme ultralytics paketini pip kullanarak yükleyebilir veya mevcut bir yüklemeyi pip install -U ultralytics. Daha fazla bilgi için Python Paket Dizini'ni (PyPI) ziyaret edin. ultralytics Paket: https://pypi.org/project/ultralytics/.

# Install the ultralytics package from PyPI
pip install ultralytics

Ayrıca, aşağıdaki dosyaları da yükleyebilirsiniz ultralytics paketini doğrudan GitHub depo. En son geliştirme sürümünü istiyorsanız bu yararlı olabilir. Sisteminizde Git komut satırı aracının yüklü olduğundan emin olun. Git @main komutu ile main dalı olarak değiştirilebilir ve başka bir dal olarak değiştirilebilir, örn. @my-branchveya tamamen kaldırılarak varsayılan olarak main Şube.

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

Conda, kurulum için de kullanılabilen pip'e alternatif bir paket yöneticisidir. Daha fazla bilgi için Anaconda'yı ziyaret edin: https://anaconda.org/conda-forge/ ultralytics. Ultralytics conda paketini güncellemek için feedstock deposu https://github.com/conda-forge/ultralytics-feedstock/ adresindedir.

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

Not

Eğer bir CUDA ortamına kurulum yapıyorsanız en iyi uygulama kurulum yapmaktır ultralytics, pytorch ve pytorch-cuda conda paket yöneticisinin herhangi bir çakışmayı çözmesine izin vermek için aynı komutta veya başka bir şekilde yüklemek için pytorch-cuda son olarak CPU-spesifik pytorch Gerekirse paketleyin.

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

Conda Docker Görüntüsü

Ultralytics Conda Docker görüntüleri şu adresten de edinilebilir DockerHub. Bu görüntüler Miniconda3 ve kullanmaya başlamanın basit bir yoludur ultralytics Conda ortamında.

# 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

Klonla ultralytics Eğer geliştirmeye katkıda bulunmakla ilgileniyorsanız veya en son kaynak kodunu denemek istiyorsanız depoyu kullanabilirsiniz. Klonladıktan sonra dizine gidin ve paketi düzenlenebilir modda yükleyin -e pip kullanarak.

# 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 .

Zahmetsizce çalıştırmak için Docker'ı kullanın ultralytics paketini yalıtılmış bir kapsayıcıda sunarak çeşitli ortamlarda tutarlı ve sorunsuz performans sağlar. Resmi paketlerden birini seçerek ultralytics gelen görüntüler Docker HubBu sayede hem yerel kurulumun karmaşıklığından kurtulur hem de doğrulanmış bir çalışma ortamına erişimden faydalanırsınız. Ultralytics , her biri farklı platformlar ve kullanım durumları için yüksek uyumluluk ve verimlilik sağlamak üzere tasarlanmış, desteklenen 5 ana Docker görüntüsü sunar:

Dockerfile: GPU eğitim için önerilen görüntü.
Dockerfile-arm64: Raspberry Pi ve diğer ARM64 tabanlı platformlar gibi cihazlarda dağıtıma izin veren ARM64 mimarisi için optimize edilmiştir.
Dockerfile-cpu: Ubuntu tabanlı CPU-sadece GPU'suz çıkarım ve ortamlar için uygun sürüm.
Dockerfile-jetson: NVIDIA Jetson cihazları için uyarlanmıştır ve bu platformlar için optimize edilmiş GPU desteğini entegre eder.
Dockerfile-python: Sadece Python ve gerekli bağımlılıkları içeren minimal görüntü, hafif uygulamalar ve geliştirme için idealdir.
Dockerfile-conda: ultralytics paketinin conda kurulumu ile Miniconda3'e dayanmaktadır.

Aşağıda en son görüntüyü almak ve çalıştırmak için gerekli komutlar verilmiştir:

# 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

Yukarıdaki komut, bir Docker konteynerini en son ultralytics görüntü. Bu -it bayrağı bir pseudo-TTY atar ve stdin'i açık tutarak konteyner ile etkileşime girmenizi sağlar. Bu --ipc=host bayrağı, süreçler arasında bellek paylaşımı için gerekli olan IPC (Inter-Process Communication) isim alanını ana bilgisayara ayarlar. Bu bayrak --gpus all bayrağı, konteyner içindeki mevcut tüm GPU'lara erişim sağlar; bu da GPU hesaplama gerektiren görevler için çok önemlidir.

Not: Konteyner içinde yerel makinenizdeki dosyalarla çalışmak için, konteynere yerel bir dizin monte etmek üzere Docker birimlerini kullanın:

# 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 ile yerel makinenizdeki dizin yolunu ve /path/in/container erişilebilirlik için Docker konteynerinin içinde istenen yol ile.

İleri düzey Docker kullanımı için Ultralytics Docker Kılavuzu'nu inceleyebilirsiniz.

Bkz. ultralytics pyproject.toml dosyasında bağımlılıkların bir listesini bulabilirsiniz. Yukarıdaki tüm örneklerin gerekli tüm bağımlılıkları yüklediğini unutmayın.

İpucu

PyTorch requirements vary by operating system and CUDA requirements, so it's recommended to install PyTorch first following instructions at https://pytorch.org/get-started/locally.

Ultralytics ile kullanın CLI

Ultralytics komut satırı arayüzü (CLI), Python ortamına ihtiyaç duymadan basit tek satırlı komutlara izin verir. CLI herhangi bir özelleştirme veya Python kodu gerektirmez. Tüm görevleri terminalden basitçe şu şekilde çalıştırabilirsiniz yolo Komut. Kontrol et CLI Kılavuz to learn more about using YOLO from the command line.

Örnek

SözdizimiTrenTahmin EtValİhracatÖzel

Ultralytics yolo komutları aşağıdaki sözdizimini kullanır:

yolo TASK MODE ARGS

TASK (isteğe bağlı) şunlardan biridir (tespit etmek, segment, sınıflandırmak, poz, obb)
MODE (gerekli) aşağıdakilerden biridir (Tren, val, tahmin etmek, ihracat, parça, kıyaslama)
ARGS (isteğe bağlı) şunlardır arg=value gibi çiftler imgsz=640 varsayılanları geçersiz kılar.

Tümünü görün ARGS tam olarak Yapılandırma Kılavuzu ya da yolo cfg CLI Komuta.

Başlangıç learning_rate değeri 0,01 olan bir algılama modelini 10 epok boyunca eğitin

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

Görüntü boyutu 320'de önceden eğitilmiş bir segmentasyon modeli kullanarak bir YouTube videosunu tahmin edin:

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

Val, parti boyutu 1 ve görüntü boyutu 640'ta önceden eğitilmiş bir algılama modelidir:

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

Bir yolo11n sınıflandırma modelini 224 x 128 görüntü boyutunda ONNX formatına aktarın (TASK gerekmez)

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

Sürümü görmek, ayarları görüntülemek, kontrolleri çalıştırmak ve daha fazlası için özel komutlar çalıştırın:

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

Uyarı

Argümanlar şu şekilde geçirilmelidir arg=val çiftleri, bir eşittir ile bölünür = işaretini kullanın ve çiftler arasında boşluk bırakın. Kullanmayın -- argüman önekleri veya virgüller , argümanlar arasında.

yolo predict model=yolo11n.pt imgsz=640 conf=0.25 ✅
yolo predict model yolo11n.pt imgsz 640 conf 0.25 ❌ (eksik =)
yolo predict model=yolo11n.pt, imgsz=640, conf=0.25 ❌ (kullanmayın ,)
yolo predict --model yolo11n.pt --imgsz 640 --conf 0.25 ❌ (kullanmayın --)

CLI Kılavuz

Ultralytics ile kullanın Python

YOLO's Python interface allows for seamless integration into your Python projects, making it easy to load, run, and process the model's output. Designed with simplicity and ease of use in mind, the Python interface enables users to quickly implement object detection, segmentation, and classification in their projects. This makes YOLO's Python interface an invaluable tool for anyone looking to incorporate these functionalities into their Python projects.

For example, users can load a model, train it, evaluate its performance on a validation set, and even export it to ONNX format with just a few lines of code. Check out the Python Guide to learn more about using YOLO within your Python projects.

Örnek

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 Kılavuz

Ultralytics Ayarlar

Ultralytics kütüphanesi, deneyleriniz üzerinde hassas kontrol sağlamak için güçlü bir ayar yönetim sistemi sunar. Kullanarak SettingsManager içinde barındırılan ultralytics.utils modülü sayesinde kullanıcılar ayarlarına kolayca erişebilir ve bunları değiştirebilir. Bunlar ortam kullanıcı yapılandırma dizininde bir JSON dosyasında saklanır ve doğrudan Python ortamında veya Komut Satırı Arayüzü (CLI) aracılığıyla görüntülenebilir veya değiştirilebilir.

Ayarların İncelenmesi

Ayarlarınızın mevcut yapılandırması hakkında bilgi edinmek için bunları doğrudan görüntüleyebilirsiniz:

Ayarları görüntüle

PythonCLI

Ayarlarınızı görüntülemek için Python adresini kullanabilirsiniz. İçe aktararak başlayın settings nesnesinden ultralytics modülünü kullanın. Aşağıdaki komutları kullanarak ayarları yazdırın ve iade edin:

from ultralytics import settings

# View all settings
print(settings)

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

Alternatif olarak, komut satırı arayüzü ayarlarınızı basit bir komutla kontrol etmenizi sağlar:

yolo settings

Ayarları Değiştirme

Ultralytics kullanıcıların ayarlarını kolayca değiştirmelerine olanak tanır. Değişiklikler aşağıdaki şekillerde gerçekleştirilebilir:

Ayarları güncelle

PythonCLI

Python ortamı içinde update yöntemi üzerinde settings ayarlarınızı değiştirmek için nesne:

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()

Komut satırı arayüzünü kullanmayı tercih ederseniz, aşağıdaki komutlar ayarlarınızı değiştirmenize olanak tanır:

# 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

Ayarları Anlama

Aşağıdaki tabloda Ultralytics adresinde ayarlanabilen ayarlara genel bir bakış sunulmaktadır. Her ayar örnek bir değer, veri tipi ve kısa bir açıklama ile birlikte özetlenmiştir.

İsim	Örnek Değer	Veri Tipi	Açıklama
`settings_version`	`'0.0.4'`	`str`	Ultralytics ayarlar sürümü ( Ultralytics pip sürümünden farklı)
`datasets_dir`	`'/path/to/datasets'`	`str`	Veri kümelerinin depolandığı dizin
`weights_dir`	`'/path/to/weights'`	`str`	Model ağırlıklarının depolandığı dizin
`runs_dir`	`'/path/to/runs'`	`str`	Deney çalışmalarının depolandığı dizin
`uuid`	`'a1b2c3d4'`	`str`	Geçerli ayarlar için benzersiz tanımlayıcı
`sync`	`True`	`bool`	Analizlerin ve çökmelerin HUB ile senkronize edilip edilmeyeceği
`api_key`	`''`	`str`	Ultralytics HUB API Anahtarı
`clearml`	`True`	`bool`	Whether to use ClearML logging
`comet`	`True`	`bool`	Deney takibi ve görselleştirme için Comet ML kullanılıp kullanılmayacağı
`dvc`	`True`	`bool`	Deney takibi ve sürüm kontrolü için DVC kullanılıp kullanılmayacağı
`hub`	`True`	`bool`	Ultralytics HUB entegrasyonunun kullanılıp kullanılmayacağı
`mlflow`	`True`	`bool`	Whether to use MLFlow for experiment tracking
`neptune`	`True`	`bool`	Whether to use Neptune for experiment tracking
`raytune`	`True`	`bool`	Whether to use Ray Tune for hyperparameter tuning
`tensorboard`	`True`	`bool`	Whether to use TensorBoard for visualization
`wandb`	`True`	`bool`	Whether to use Weights & Biases logging
`vscode_msg`	`True`	`bool`	When VS Code terminal detected, enables prompt to download Ultralytics-Snippets extension.

Projelerinizde veya deneylerinizde gezinirken, ihtiyaçlarınıza en uygun şekilde yapılandırıldıklarından emin olmak için bu ayarları tekrar gözden geçirdiğinizden emin olun.

SSS

Pip kullanarak Ultralytics adresini nasıl kurabilirim?

Ultralytics adresini pip ile kurmak için aşağıdaki komutu çalıştırın:

pip install ultralytics

En son kararlı sürüm için, bu ultralytics paketini doğrudan Python Paket Dizini'nden (PyPI) indirebilirsiniz. Daha fazla ayrıntı için şu adresi ziyaret edin ultralytics PyPI üzerinde paket.

Alternatif olarak, en son geliştirme sürümünü doğrudan GitHub'dan yükleyebilirsiniz:

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

Sisteminizde Git komut satırı aracının yüklü olduğundan emin olun.

Conda kullanarak Ultralytics YOLO adresini yükleyebilir miyim?

Evet, conda kullanarak Ultralytics YOLO adresini çalıştırarak yükleyebilirsiniz:

conda install -c conda-forge ultralytics

Bu yöntem pip'e mükemmel bir alternatiftir ve ortamınızdaki diğer paketlerle uyumluluk sağlar. CUDA ortamları için en iyisi ultralytics, pytorchve pytorch-cuda herhangi bir çatışmayı çözmek için eşzamanlı olarak:

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

Daha fazla talimat için Conda hızlı başlangıç kılavuzunu ziyaret edin.

Ultralytics YOLO çalıştırmak için Docker kullanmanın avantajları nelerdir?

Using Docker to run Ultralytics YOLO provides an isolated and consistent environment, ensuring smooth performance across different systems. It also eliminates the complexity of local installation. Official Docker images from Ultralytics are available on Docker Hub, with different variants tailored for GPU, CPU, ARM64, NVIDIA Jetson, and Conda environments. Below are the commands to pull and run the latest image:

# 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

Daha ayrıntılı Docker talimatları için Docker hızlı başlangıç kılavuzuna göz atın.

Geliştirme için Ultralytics deposunu nasıl klonlayabilirim?

Ultralytics deposunu klonlamak ve bir geliştirme ortamı kurmak için aşağıdaki adımları kullanın:

# 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 .

Bu yaklaşım, projeye katkıda bulunmanıza veya en son kaynak kodunu denemenize olanak tanır. Daha fazla ayrıntı için Ultralytics GitHub deposunu ziyaret edin.

Neden Ultralytics YOLO CLI adresini kullanmalıyım?

Ultralytics YOLO komut satırı arayüzü (CLI), Python kodu gerektirmeden nesne algılama görevlerini çalıştırmayı basitleştirir. Eğitim, doğrulama ve tahmin gibi görevler için tek satırlık komutları doğrudan terminalinizden çalıştırabilirsiniz. Şunlar için temel sözdizimi yolo Komutlar öyle:

yolo TASK MODE ARGS

Örneğin, belirli parametrelerle bir algılama modelini eğitmek için:

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

Daha fazla komut ve kullanım örneği keşfetmek için CLI Kılavuzunun tamamına göz atın.

📅 1 yıl önce oluşturuldu ✏️ 12 gün önce güncellendi