Cài đặt Ultralytics

Cài đặt hoặc cập nhật ultralytics gói bằng pip bằng cách chạy pip install -U ultralytics. Để biết thêm chi tiết về ultralytics gói, hãy truy cập Chỉ mục Gói Python (PyPI).

# Install the ultralytics package from PyPI
pip install ultralytics

Bạn cũng có thể cài đặt ultralytics trực tiếp từ kho lưu trữ Ultralytics GitHub. Điều này có thể hữu ích nếu bạn muốn phiên bản phát triển mới nhất. Đảm bảo bạn đã cài đặt công cụ dòng lệnh Git, sau đó chạy:

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

Conda có thể được sử dụng như một trình quản lý gói thay thế cho pip. Để biết thêm chi tiết, hãy truy cập Anaconda. Kho Ultralytics để cập nhật gói conda có sẵn tại 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

Conda Docker Image

Các ảnh Ultralytics Conda Docker cũng có sẵn từ DockerHub. Các ảnh này dựa trên Miniconda3 và cung cấp một cách đơn giản để bắt đầu sử dụng ultralytics trong môi trường 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

Sao chép kho lưu trữ kho lưu trữ Ultralytics GitHub nếu bạn quan tâm đến việc đóng góp vào quá trình phát triển hoặc muốn thử nghiệm với mã nguồn mới nhất. Sau khi sao chép, hãy điều hướng vào thư mục và cài đặt gói ở chế độ có thể chỉnh sửa -e bằng 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 .

Sử dụng Docker để thực thi ultralytics package trong một container biệt lập, đảm bảo hiệu suất nhất quán trên các môi trường khác nhau. Bằng cách chọn một trong những ultralytics image chính thức từ Docker Hub, bạn tránh được sự phức tạp của việc cài đặt cục bộ và có được quyền truy cập vào một môi trường làm việc đã được xác minh. Ultralytics cung cấp năm ảnh Docker được hỗ trợ chính, mỗi ảnh được thiết kế để có tính tương thích và hiệu quả cao:

• Dockerfile: GPU image được khuyến nghị cho quá trình huấn luyện.
• Dockerfile-arm64: Được tối ưu hóa cho kiến trúc ARM64, phù hợp để triển khai trên các thiết bị như Raspberry Pi và các nền tảng dựa trên ARM64 khác.
• Dockerfile-cpu: Phiên bản chỉ dành cho CPU dựa trên Ubuntu, phù hợp cho suy luận và các môi trường không có GPU.
• Dockerfile-jetson: Được thiết kế riêng cho các thiết bị NVIDIA Jetson, tích hợp hỗ trợ GPU được tối ưu hóa cho các nền tảng này.
• Dockerfile-python: Image tối giản chỉ với Python và các dependency cần thiết, lý tưởng cho các ứng dụng và phát triển nhẹ.
• Dockerfile-conda: Dựa trên Miniconda3 với cài đặt conda của ultralytics gói.

Dưới đây là các lệnh để lấy hình ảnh mới nhất và thực thi nó:

# 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

Lệnh trên khởi tạo một Docker container với ultralytics image mới nhất. Cờ -it gán một pseudo-TTY và giữ cho stdin mở, cho phép tương tác với container. Các --ipc=host đặt namespace IPC (Inter-Process Communication) thành host, điều này rất cần thiết để chia sẻ bộ nhớ giữa các tiến trình. Cờ --gpus all cho phép truy cập vào tất cả các GPU có sẵn bên trong container, rất quan trọng đối với các tác vụ yêu cầu tính toán bằng GPU.

Lưu ý: Để làm việc với các tệp trên máy cục bộ của bạn trong vùng chứa, hãy sử dụng các ổ đĩa Docker để gắn một thư mục cục bộ vào vùng chứa:

# 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

Thay thế /path/on/host với đường dẫn thư mục trên máy cục bộ của bạn và /path/in/container bằng đường dẫn mong muốn bên trong Docker container.

Để sử dụng Docker nâng cao, hãy khám phá Hướng dẫn về Ultralytics Docker.

Bạn có thể cài đặt ultralytics gói core mà không cần bất kỳ phụ thuộc nào bằng cách sử dụng pip --no-deps cờ. Điều này yêu cầu bạn phải tự cài đặt tất cả các dependency cần thiết sau đó.

1. Cài đặt ultralytics lõi:

   pip install ultralytics --no-deps
   

2. Cài đặt thủ công các dependency: Bạn cần cài đặt tất cả các gói yêu cầu được liệt kê trong pyproject.toml tệp, thay thế hoặc sửa đổi các phiên bản khi cần. Đối với ví dụ OpenCV headless:

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

Nếu bạn cần các sửa đổi tùy chỉnh liên tục (ví dụ: luôn sử dụng opencv-python-headless), bạn có thể tách kho lưu trữ Ultralytics, thực hiện các thay đổi đối với pyproject.toml hoặc code khác và cài đặt từ fork của bạn.

1. Fork kho lưu trữ Ultralytics GitHub vào tài khoản GitHub của riêng bạn.
2. Sao chép (Clone) fork của bạn cục bộ:

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

3. Tạo một nhánh mới cho các thay đổi của bạn:

   git checkout -b custom-opencv
   

4. Sửa đổi pyproject.toml: Mở pyproject.toml trong trình soạn thảo văn bản và thay thế dòng chứa "opencv-python>=4.6.0" với "opencv-python-headless>=4.6.0" (điều chỉnh phiên bản nếu cần).
5. Commit và push các thay đổi của bạn:

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

6. Cài đặt sử dụng pip với git+https cú pháp, trỏ đến branch của bạn:

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

Phương pháp này đảm bảo rằng bộ dependency tùy chỉnh của bạn được sử dụng bất cứ khi nào bạn cài đặt từ URL cụ thể này. Xem Phương pháp 4 để sử dụng phương pháp này trong requirements.txt tập tin.

Tương tự như phương pháp "Git Clone" tiêu chuẩn để phát triển, bạn có thể sao chép kho lưu trữ cục bộ, sửa đổi các tệp phụ thuộc trước khi cài đặt, sau đó cài đặt ở chế độ có thể chỉnh sửa.

1. Sao chép (Clone) kho lưu trữ Ultralytics:

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

2. Sửa đổi pyproject.toml: Chỉnh sửa tệp để thực hiện các thay đổi mong muốn. Ví dụ: sử dụng sed (trên Linux/macOS) hoặc trình soạn thảo văn bản để thay thế opencv-python với opencv-python-headless. Sử dụng sed (xác minh dòng chính xác trong pyproject.toml đầu tiên):

   # 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
   

   Hoặc chỉnh sửa thủ công pyproject.toml to change "opencv-python>=... đến "opencv-python-headless>=...".
3. Cài đặt gói ở chế độ editable (có thể chỉnh sửa) (-e). Pip sẽ sử dụng pyproject.toml để giải quyết và cài đặt các dependency:

   pip install -e .
   

Cách tiếp cận này hữu ích để kiểm tra các thay đổi cục bộ đối với các phần phụ thuộc hoặc cấu hình bản dựng trước khi cam kết chúng hoặc để thiết lập các môi trường phát triển cụ thể.

Nếu bạn quản lý các phần phụ thuộc của dự án bằng requirements.txt tệp, bạn có thể chỉ định nhánh Ultralytics tùy chỉnh của mình trực tiếp trong đó. Điều này đảm bảo rằng bất kỳ ai thiết lập dự án đều nhận được phiên bản cụ thể của bạn với các dependency đã được sửa đổi (như opencv-python-headless).

1. Tạo hoặc chỉnh sửa requirements.txt: Thêm một dòng trỏ đến nhánh và bản fork tùy chỉnh của bạn (như đã chuẩn bị trong Phương pháp 2).
   requirements.txt

   # Core dependencies
   numpy
   matplotlib
   polars
   pyyaml
   Pillow
   psutil
   requests>=2.23.0
   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
   

   Lưu ý: Bạn không cần liệt kê các phụ thuộc đã được yêu cầu bởi tùy chỉnh của bạn ultralytics fork (ví dụ opencv-python-headless) tại đây, vì pip sẽ cài đặt chúng dựa trên fork pyproject.toml.
2. Cài đặt các dependencies từ file:

   pip install -r requirements.txt
   

Phương pháp này tích hợp liền mạch với quy trình quản lý dependency dự án Python tiêu chuẩn, đồng thời cho phép bạn ghim ultralytics vào nguồn Git tùy chỉnh của bạn.

Ultralytics yolo các lệnh sử dụng cú pháp sau:

yolo TASK MODE ARGS

Xem tất cả ARGS trong toàn bộ Hướng dẫn Cấu hình hoặc với yolo cfg lệnh CLI.

Huấn luyện mô hình phát hiện trong 10 epochs (vòng lặp) với tỷ lệ học tập ban đầu là 0.01:

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

Dự đoán video trên YouTube bằng mô hình phân đoạn đã được huấn luyện trước với kích thước ảnh 320:

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

Xác thực mô hình detection (phát hiện) đã được huấn luyện trước với batch size (kích thước lô) là 1 và kích thước ảnh là 640:

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

Xuất mô hình phân loại YOLOv11n sang định dạng ONNX với kích thước ảnh là 224x128 (không yêu cầu TASK):

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

Đếm các đối tượng trong video hoặc luồng trực tiếp bằng YOLO11:

yolo solutions count show=True

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

Theo dõi các bài tập bằng mô hình dáng người 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

Sử dụng YOLO11 để đếm các đối tượng trong một hàng đợi hoặc khu vực được chỉ định:

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

Thực hiện phát hiện đối tượng, phân đoạn thể hiện hoặc ước tính tư thế trong trình duyệt web bằng Streamlit:

yolo solutions inference

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

Chạy các lệnh đặc biệt để xem phiên bản, cài đặt, chạy kiểm tra và hơn thế nữa:

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

Sử dụng Python để xem các cài đặt của bạn bằng cách nhập settings từ ultralytics module. In và trả về cài đặt với các lệnh sau:

from ultralytics import settings

# View all settings
print(settings)

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

Giao diện dòng lệnh cho phép bạn kiểm tra cài đặt của mình bằng lệnh:

yolo settings

Trong Python, sử dụng update trên đối tượng settings đối tượng:

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()

Để sửa đổi cài đặt bằng giao diện dòng lệnh:

# 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