Cách cài đặt Ultralytics YOLO bằng Conda#
Hướng dẫn này hướng dẫn cách thiết lập môi trường Conda cho các dự án Ultralytics của bạn. Conda là một hệ thống quản lý gói và môi trường mã nguồn mở, cung cấp một sự thay thế tuyệt vời cho pip để cài đặt các gói và phụ thuộc. Các môi trường cô lập của nó làm cho nó đặc biệt phù hợp cho công việc khoa học dữ liệu và machine learning. Để biết thêm chi tiết, hãy truy cập gói Ultralytics Conda trên Anaconda và xem kho lưu trữ feedstock Ultralytics để cập nhật gói trên GitHub.
Hướng dẫn này đề cập cách create an environment, install Ultralytics, run inference, sử dụng Conda Docker image và speed up installs with libmamba.
Điều kiện tiên quyết#
Bạn nên cài đặt sẵn Anaconda hoặc Miniconda trên hệ thống của mình. Nếu chưa có, hãy tải xuống và cài đặt từ Anaconda hoặc Miniconda.
Thiết lập môi trường Conda#
Trước tiên, hãy tạo một môi trường Conda mới. Mở terminal của bạn và chạy lệnh sau:
conda create --name ultralytics-env python=3.11 -yKích hoạt môi trường mới:
conda activate ultralytics-envCài đặt Ultralytics#
Bạn có thể cài đặt gói Ultralytics từ kênh conda-forge. Thực thi lệnh sau:
conda install -c conda-forge ultralyticsNếu bạn đang làm việc trong một môi trường hỗ trợ CUDA, việc cài đặt ultralytics, pytorch và pytorch-cuda cùng nhau là một phương pháp hay để trình quản lý gói Conda có thể giải quyết mọi xung đột:
conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=12.1 ultralyticsSử dụng Ultralytics#
Với Ultralytics đã được cài đặt, giờ đây bạn có thể bắt đầu sử dụng các tính năng mạnh mẽ của nó cho object detection, instance segmentation và nhiều tính năng khác. Ví dụ, để dự đoán một hình ảnh, bạn có thể chạy:
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 imageHình ảnh Ultralytics Conda Docker#
Nếu bạn thích sử dụng Docker, Ultralytics cung cấp các hình ảnh Docker đi kèm sẵn môi trường Conda. Bạn có thể kéo các hình ảnh này từ DockerHub.
Pull hình ảnh Ultralytics mới nhất:
# Set image name as a variable
t=ultralytics/ultralytics:latest-conda
# Pull the latest Ultralytics image from Docker Hub
sudo docker pull $tChạy hình ảnh:
# 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 GPUsTrên Linux, các yêu cầu thiết bị CDI yêu cầu Docker >= 28.2.0 và NVIDIA Container Toolkit >= 1.18. Cờ kế thừa --gpus all có thể làm mất quyền truy cập GPU sau khi trình nền máy chủ khởi động lại, vì vậy hãy nâng cấp các máy chủ Linux cũ hơn và sử dụng --device thay thế. Xem Hướng dẫn Bắt đầu Nhanh Docker để biết chi tiết.
Tăng tốc cài đặt với Libmamba#
libmamba là một trình giải quyết nhanh, đa nền tảng, nhận biết phụ thuộc, thay thế cho trình giải quyết cổ điển của Conda. Conda 23.10 trở lên đã sử dụng libmamba làm trình giải quyết mặc định, vì vậy hầu hết các cài đặt đều nhanh hơn ngay khi sử dụng.
Nếu bạn đang dùng phiên bản Conda cũ hơn, bạn có thể bật libmamba thủ công:
-
Đầu tiên, hãy cài đặt gói
conda-libmamba-solver:conda install conda-libmamba-solver -
Tiếp theo, định cấu hình Conda để sử dụng
libmambalàm trình giải quyết:conda config --set solver libmamba
Bạn đã thiết lập thành công môi trường Conda, cài đặt gói Ultralytics và giờ đã sẵn sàng khám phá các tính năng của nó. Để biết thêm các hướng dẫn và ví dụ nâng cao, hãy xem Ultralytics documentation.
Câu hỏi thường gặp#
Thiết lập môi trường Conda cho các dự án Ultralytics rất đơn giản và đảm bảo quản lý gói mượt mà. Trước tiên, hãy tạo một môi trường Conda mới bằng lệnh sau:
conda create --name ultralytics-env python=3.11 -ySau đó, kích hoạt môi trường mới với:
conda activate ultralytics-envCuối cùng, cài đặt Ultralytics từ kênh conda-forge:
conda install -c conda-forge ultralyticsConda là một hệ thống quản lý gói và môi trường mạnh mẽ cung cấp nhiều ưu điểm hơn so với pip. Nó quản lý các phụ thuộc một cách hiệu quả và đảm bảo rằng tất cả các thư viện cần thiết đều tương thích. Các môi trường tách biệt của Conda ngăn chặn xung đột giữa các gói, điều này rất quan trọng trong các dự án khoa học dữ liệu và học máy. Ngoài ra, Conda hỗ trợ phân phối gói nhị phân, giúp tăng tốc quá trình cài đặt.
Có, bạn có thể nâng cao hiệu suất bằng cách sử dụng môi trường hỗ trợ CUDA. Đảm bảo rằng bạn cài đặt
ultralytics,pytorchvàpytorch-cudacùng nhau để tránh xung đột:conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=12.1 ultralyticsThiết lập này cho phép tăng tốc GPU, rất quan trọng đối với các tác vụ cường độ cao như huấn luyện mô hình deep learning và suy luận. Để biết thêm thông tin, hãy truy cập Ultralytics installation guide.
Sử dụng hình ảnh Ultralytics Docker đảm bảo một môi trường nhất quán và có thể tái tạo, loại bỏ các vấn đề như "nó hoạt động trên máy của tôi". Những hình ảnh này bao gồm một môi trường Conda được cấu hình sẵn, đơn giản hóa quá trình thiết lập. Bạn có thể pull và chạy hình ảnh Ultralytics Docker mới nhất với các lệnh sau:
sudo docker pull ultralytics/ultralytics:latest-conda sudo docker run -it --ipc=host --device nvidia.com/gpu=all ultralytics/ultralytics:latest-conda # all GPUs sudo docker run -it --ipc=host --device nvidia.com/gpu=2 --device nvidia.com/gpu=3 ultralytics/ultralytics:latest-conda # specify GPUsPhương pháp này rất lý tưởng để triển khai các ứng dụng trong môi trường sản xuất hoặc chạy các quy trình phức tạp mà không cần cấu hình thủ công. Tìm hiểu thêm về Ultralytics Conda Docker Image.
Conda 23.10 trở lên đã sử dụng trình giải quyết nhanh
libmambatheo mặc định. Trên các phiên bản Conda cũ hơn, bạn có thể bật nó thủ công bằng cách cài đặt trước góiconda-libmamba-solver:conda install conda-libmamba-solverSau đó định cấu hình Conda để sử dụng
libmambalàm trình giải quyết:conda config --set solver libmambaThiết lập này cung cấp việc quản lý gói nhanh hơn và hiệu quả hơn. Để biết thêm mẹo tối ưu hóa môi trường của bạn, hãy đọc về libmamba installation.