Hızlı Başlangıç

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

# 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:

• Docker dosyası: Eğitim için önerilen GPU görüntüsü.
• Dockerfile-arm64: Raspberry Pi ve diğer ARM64 tabanlı platformlar gibi cihazlarda dağıtıma izin veren ARM64 mimarisi için optimize edilmiştir.
• Dockerfile-cpu: Çıkarım ve GPU'ların olmadığı ortamlar için uygun Ubuntu tabanlı CPU-only sürümü.
• 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, kapsayıcı içindeki mevcut tüm GPU'lara erişim sağlar; bu da GPU hesaplaması 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.

Ultralytics yolo komutları aşağıdaki sözdizimini kullanır:

yolo TASK MODE ARGS

• TASK (isteğe bağlı) şunlardan biridir (tespit etmek, segment, sınıflandırmak, poz)
• MODE (gerekli) aşağıdakilerden biridir (Tren, val, tahmin etmek, ihracat, parça)
• 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=yolov8n.pt epochs=10 lr0=0.01

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

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

Bir YOLOv8n sınıflandırma modelini 224 x 128 görüntü boyutunda ONNX formatına aktarın (GÖREV gerekmez)

yolo export model=yolov8n-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

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

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