Cài đặt Ultralytics#
Cài đặt package ultralytics bằng pip, conda hoặc Docker, hay cài từ mã nguồn, sau đó chạy dự đoán đầu tiên với model YOLO26 pretrained. Mỗi phương thức đều cài đặt tất cả dependency bắt buộc được liệt kê trong pyproject.toml.
Cài đặt hoặc cập nhật package ultralytics trong môi trường Python>=3.8 với PyTorch>=1.8:
pip install -U ultralyticsĐể cài đặt phiên bản phát triển mới nhất, hãy cài trực tiếp từ repository GitHub của Ultralytics:
pip install git+https://github.com/ultralytics/ultralytics.git@mainCác yêu cầu của PyTorch thay đổi tùy theo hệ điều hành và phiên bản CUDA. Để sử dụng một bản dựng cụ thể, hãy cài đặt PyTorch trước theo hướng dẫn cài đặt PyTorch, sau đó cài đặt ultralytics. Đối với GPU AMD trên Linux, hãy cài đặt bản dựng PyTorch dùng ROCm như mô tả trong hướng dẫn tích hợp AMD.
Sử dụng Ultralytics với CLI#
Chạy dự đoán đầu tiên từ terminal bằng lệnh yolo:
yolo predict model=yolo26n.ptCác trọng số yolo26n.pt đã huấn luyện trước sẽ tự động được tải xuống, model chạy trên hai ảnh mẫu đi kèm và lệnh hiển thị vị trí lưu kết quả đã chú thích, là runs/detect/predict trong lần chạy đầu tiên. Trỏ source đến ảnh, video, thư mục, URL hoặc luồng của bạn, hoặc đến webcam bằng source=0:
yolo predict model=yolo26n.pt source=0 show=Truepredict là mode, tức thao tác cần thực hiện với model: train, val, predict, export, track hoặc benchmark. Task (detect, segment, semantic, depth, classify, pose hoặc obb) được đọc từ tệp model, vì vậy cú pháp yolo TASK MODE ARGS thường chỉ cần mode cùng các cặp arg=value, chẳng hạn như imgsz=640. Xem Hướng dẫn CLI để biết tất cả mode và trang Cấu hình để xem mọi tham số.
Sử dụng Ultralytics với Python#
Thực hiện cùng dự đoán đó trong Python:
from ultralytics import YOLO
model = YOLO("yolo26n.pt") # tải model detection YOLO26n đã huấn luyện trước
results = model("https://ultralytics.com/images/bus.jpg", save=True) # dự đoán và lưu ảnh đã chú thíchresults là danh sách các đối tượng Results, mỗi đối tượng ứng với một ảnh và chứa bbox, mask, keypoint hoặc xác suất lớp tùy theo task. Hướng dẫn Python trình bày cách huấn luyện, đánh giá, export và tracking bằng cùng lớp YOLO.
Xem: Hướng dẫn bắt đầu nhanh Ultralytics YOLO
Cài đặt Ultralytics#
Các cài đặt được lưu lâu dài, chẳng hạn như thư mục dataset, trọng số và runs, API key của Nền tảng Ultralytics và các tùy chọn bật/tắt trình ghi nhật ký thử nghiệm, nằm trong tệp JSON được quản lý bằng yolo settings. Xem trang Cài đặt để xem, thay đổi hoặc đặt lại các cài đặt này.
Tiếp theo là gì#
Tìm hiểu các mode mà YOLO hỗ trợ và các kích thước model YOLO26, sau đó huấn luyện trên dữ liệu của bạn sau khi định dạng dữ liệu theo hướng dẫn về dataset.
Để tìm hiểu trước về những gì sắp ra mắt, hãy khám phá YOLO27 (Sắp ra mắt). Các model của YOLO27 hiện chưa có sẵn; những ví dụ trên sử dụng dòng YOLO26 đã phát hành.
Câu hỏi thường gặp#
Cài đặt Ultralytics bằng pip như sau:
pip install -U ultralyticsLệnh này cài đặt bản phát hành ổn định mới nhất của package
ultralyticstừ PyPI. Để cài đặt phiên bản phát triển trực tiếp từ GitHub:pip install git+https://github.com/ultralytics/ultralytics.gitĐảm bảo công cụ dòng lệnh Git đã được cài đặt trên hệ thống.
Có, hãy tạo môi trường conda cùng Python và Ultralytics YOLO trong một lệnh, sau đó kích hoạt môi trường đó:
conda create --name ultralytics-env -c conda-forge python=3.11 ultralytics torchvision -y conda activate ultralytics-envPhương pháp này là một lựa chọn thay thế tuyệt vời cho pip, giúp đảm bảo khả năng tương thích với các package khác. Với môi trường CUDA, hãy thêm metapackage
pytorch-gpuvào cùng lệnh để conda chọn bản PyTorch hỗ trợ CUDA:conda create --name ultralytics-env -c conda-forge python=3.11 ultralytics torchvision pytorch-gpu -y conda activate ultralytics-envĐể biết thêm hướng dẫn, hãy xem hướng dẫn bắt đầu nhanh với Conda.
Docker cung cấp môi trường biệt lập, nhất quán cho Ultralytics YOLO, giúp đảm bảo hiệu năng ổn định trên nhiều hệ thống và tránh sự phức tạp khi cài đặt cục bộ. Các image Docker chính thức có trên Docker Hub, với các biến thể dành cho GPU, CPU, ARM64, NVIDIA Jetson và Conda. Để tải và chạy image mới nhất:
# 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 --device nvidia.com/gpu=all ultralytics/ultralytics:latestTrên Linux, yêu cầu thiết bị CDI cần Docker >= 28.2.0 và NVIDIA Container Toolkit >= 1.18. Để xem hướng dẫn Docker chi tiết, hãy tham khảo hướng dẫn bắt đầu nhanh với Docker.
Clone repository Ultralytics và thiết lập môi trường phát triển bằng cách:
# 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 .Cách này cho phép bạn đóng góp cho dự án hoặc thử nghiệm với mã nguồn mới nhất. Để biết cách fork và ghim một nhánh tùy chỉnh, hãy xem Cài đặt cho phát triển.
CLI của Ultralytics YOLO giúp đơn giản hóa việc chạy các tác vụ phát hiện đối tượng mà không cần viết mã Python, cho phép thực hiện các lệnh một dòng để huấn luyện, đánh giá và dự đoán trực tiếp từ terminal. Cú pháp cơ bản là:
yolo TASK MODE ARGSVí dụ, để huấn luyện một model detection:
yolo train data=coco8.yaml model=yolo26n.pt epochs=10Tìm hiểu thêm các lệnh và ví dụ sử dụng trong Hướng dẫn CLI đầy đủ.