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 Python Chỉ mục gói ( PyPI ).

# Install or upgrade the ultralytics package from PyPI
pip install -U 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

Ultralytics Hình ảnh Conda Docker cũng có sẵn trên Docker Hub. 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 --runtime=nvidia --gpus all $t            # all GPUs
sudo docker run -it --ipc=host --runtime=nvidia --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 --runtime=nvidia --gpus all $t            # all GPUs
sudo docker run -it --ipc=host --runtime=nvidia --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 --runtime=nvidia --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.

Nếu bạn cần các chỉnh sửa tùy chỉnh lâu dài, bạn có thể tạo bản sao (fork) của dự án. Ultralytics kho lưu trữ, thực hiện các thay đổi 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 my-custom-branch
   

4. Hãy thực hiện các chỉnh sửa của bạn đến pyproject.toml hoặc các tệp khác nếu cần.
5. Commit và push các thay đổi của bạn:

   git add .
   git commit -m "My custom changes"
   git push origin my-custom-branch
   

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@my-custom-branch
   

Sao chép kho lưu trữ về máy tính cục bộ, chỉnh sửa các tệp khi cần thiết và cài đặt ở chế độ chỉnh sửa.

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

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

2. Hãy thực hiện các chỉnh sửa của bạn đến pyproject.toml hoặc các tệp khác nếu cần.
3. Cài đặt gói ở chế độ editable (có thể chỉnh sửa) (-ePip sẽ sử dụng phiên bản đã được bạn chỉnh sửa. pyproject.toml để giải quyết các phụ thuộc:

   pip install -e .
   

Cách tiếp cận này hữu ích cho việc phát triển hoặc kiểm thử các thay đổi cục bộ trước khi áp dụng chính thức.

Chỉ định một tùy chỉnh Ultralytics nĩa trong của bạn requirements.txt Tệp này giúp đảm bảo quá trình cài đặt nhất quán trong toàn bộ nhóm của bạn.

# Install ultralytics from a specific git branch
git+https://github.com/YOUR_USERNAME/ultralytics.git@my-custom-branch

# Other project dependencies
flask

Cài đặt các thư viện phụ thuộc từ tệp tin:

pip install -r requirements.txt

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 YOLO11n sang ONNX định dạng với kích thước hình ảnh là 224x128 (không yêu cầu NHIỆM VỤ):

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