Cài đặt Ultralytics
Ultralytics cung cấp nhiều phương thức cài đặt đa dạng, bao gồm pip, conda và Docker. Bạn có thể cài đặt YOLO thông qua gói ultralytics trên pip để nhận bản phát hành ổn định mới nhất, hoặc bằng cách clone Ultralytics GitHub repository để có phiên bản cập nhật nhất. Docker cũng là một tùy chọn để chạy gói trong một container biệt lập, giúp tránh việc cài đặt cục bộ.
Watch: Ultralytics YOLO Quick Start Guide
Cài đặt hoặc cập nhật gói ultralytics bằng pip bằng cách chạy lệnh pip install -U ultralytics. Để biết thêm chi tiết về gói ultralytics, hãy truy cập Python Package Index (PyPI).
# Install or upgrade the ultralytics package from PyPI
pip install -U ultralyticsBạn cũng có thể cài đặt ultralytics trực tiếp từ Ultralytics GitHub repository. Việc này hữu ích nếu bạn muốn sử dụng phiên bản phát triển mới nhất. Hãy 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@mainSee the ultralytics pyproject.toml file for a list of dependencies. Note that all examples above install all required dependencies.
Cài đặt trên Headless Server
Đối với các môi trường server không có giao diện hiển thị (ví dụ: cloud VMs, Docker containers, CI/CD pipelines), hãy sử dụng gói ultralytics-opencv-headless. Gói này giống hệt gói ultralytics tiêu chuẩn nhưng phụ thuộc vào opencv-python-headless thay vì opencv-python, giúp tránh các phụ thuộc GUI không cần thiết và các lỗi libGL tiềm ẩn.
pip install ultralytics-opencv-headlessCả hai gói đều cung cấp cùng chức năng và API. Biến thể headless chỉ đơn giản loại bỏ các thành phần GUI của OpenCV vốn yêu cầu các thư viện hiển thị.
Cài đặt nâng cao
Mặc dù các phương pháp cài đặt tiêu chuẩn đáp ứng được hầu hết các trường hợp sử dụng, bạn có thể cần một thiết lập tùy chỉnh hơn cho mục đích phát triển hoặc các cấu hình riêng biệt.
Nếu bạn cần các sửa đổi tùy chỉnh lâu dài, bạn có thể fork kho lưu trữ Ultralytics, thực hiện thay đổi đối với pyproject.toml hoặc các mã nguồn khác, và cài đặt từ bản fork của bạn.
- Fork Ultralytics GitHub repository vào tài khoản GitHub cá nhân của bạn.
- Clone bản fork của bạn về máy cục bộ:
git clone https://github.com/YOUR_USERNAME/ultralytics.git cd ultralytics - Tạo một nhánh (branch) mới cho các thay đổi của bạn:
git checkout -b my-custom-branch - Thực hiện các sửa đổi đối với
pyproject.tomlhoặc các tệp khác nếu cần. - Commit và push các thay đổi của bạn:
git add . git commit -m "My custom changes" git push origin my-custom-branch - Cài đặt bằng pip với cú pháp
git+https, trỏ đến nhánh của bạn:pip install git+https://github.com/YOUR_USERNAME/ultralytics.git@my-custom-branch
Sử dụng Ultralytics với CLI
Giao diện dòng lệnh (CLI) của Ultralytics cho phép thực hiện các lệnh đơn giản chỉ với một dòng mà không cần môi trường Python. CLI không yêu cầu tùy chỉnh hay mã Python; bạn có thể chạy tất cả các tác vụ từ terminal với lệnh yolo. Để biết thêm về cách sử dụng YOLO từ dòng lệnh, hãy xem CLI Guide.
Các lệnh yolo của Ultralytics sử dụng cú pháp sau:
yolo TASK MODE ARGSTASK(tùy chọn) là một trong số (detect, segment, classify, pose, obb)MODE(bắt buộc) là một trong số (train, val, predict, export, track, benchmark)ARGS(tùy chọn) là các cặparg=valuenhưimgsz=640dùng để ghi đè các thiết lập mặc định.
Xem tất cả ARGS trong Configuration Guide đầy đủ hoặc với lệnh yolo cfg CLI.
Các tham số phải được truyền dưới dạng các cặp arg=value, được phân tách bằng dấu bằng = và cách nhau bằng khoảng trắng. Không sử dụng tiền tố -- cho tham số hoặc dấu phẩy , giữa các tham số.
yolo predict model=yolo26n.pt imgsz=640 conf=0.25✅yolo predict model yolo26n.pt imgsz 640 conf 0.25❌ (thiếu dấu=)yolo predict model=yolo26n.pt, imgsz=640, conf=0.25❌ (không sử dụng dấu,)yolo predict --model yolo26n.pt --imgsz 640 --conf 0.25❌ (không sử dụng--)yolo solution model=yolo26n.pt imgsz=640 conf=0.25❌ (sử dụngsolutions, không phảisolution)
Sử dụng Ultralytics với Python
Giao diện Python của Ultralytics YOLO cung cấp khả năng tích hợp liền mạch vào các dự án Python, giúp dễ dàng tải, chạy và xử lý kết quả đầu ra của model. Được thiết kế đơn giản, giao diện Python cho phép người dùng nhanh chóng triển khai các tác vụ object detection, phân đoạn và phân loại. Điều này làm cho giao diện Python của YOLO trở thành một công cụ vô giá để kết hợp các chức năng này vào các dự án Python.
Ví dụ, người dùng có thể tải một model, huấn luyện, đánh giá hiệu năng và xuất nó sang định dạng ONNX chỉ với vài dòng mã. Khám phá Python Guide để tìm hiểu thêm về cách sử dụng YOLO trong các dự án Python của bạn.
from ultralytics import YOLO
# Create a new YOLO model from scratch
model = YOLO("yolo26n.yaml")
# Load a pretrained YOLO model (recommended for training)
model = YOLO("yolo26n.pt")
# Train the model using the 'coco8.yaml' dataset for 3 epochs
results = model.train(data="coco8.yaml", epochs=3)
# Evaluate the model's performance on the validation set
results = model.val()
# Perform object detection on an image using the model
results = model("https://ultralytics.com/images/bus.jpg")
# Export the model to ONNX format
success = model.export(format="onnx")Cài đặt Ultralytics
Thư viện Ultralytics bao gồm một SettingsManager giúp kiểm soát chi tiết các thử nghiệm, cho phép người dùng truy cập và sửa đổi cài đặt một cách dễ dàng. Được lưu trữ trong một tệp JSON bên trong thư mục cấu hình người dùng của môi trường, các cài đặt này có thể được xem hoặc chỉnh sửa trong môi trường Python hoặc thông qua Giao diện Dòng lệnh (CLI).
Kiểm tra cài đặt
Để xem cấu hình hiện tại trong cài đặt của bạn:
Sử dụng Python để xem các cài đặt của bạn bằng cách nhập đối tượng settings từ module ultralytics. In và trả về các cài đặt bằng những lệnh sau:
from ultralytics import settings
# View all settings
print(settings)
# Return a specific setting
value = settings["runs_dir"]Thay đổi cài đặt
Ultralytics giúp việc thay đổi cài đặt trở nên dễ dàng theo các cách sau:
Trong Python, hãy sử dụng phương thức update trên đối tượng settings:
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()Tìm hiểu về cài đặt
Bảng dưới đây tổng quan về các cài đặt có thể điều chỉnh trong Ultralytics, bao gồm các giá trị ví dụ, kiểu dữ liệu và mô tả.
| Tên | Giá trị ví dụ | Kiểu dữ liệu | Mô tả |
|---|---|---|---|
settings_version | '0.0.4' | str | Ultralytics settings version (distinct from the Ultralytics pip version) |
datasets_dir | '/path/to/datasets' | str | Thư mục nơi lưu trữ các tập dữ liệu |
weights_dir | '/path/to/weights' | str | Thư mục nơi lưu trữ trọng số mô hình |
runs_dir | '/path/to/runs' | str | Thư mục nơi lưu trữ các lần chạy thử nghiệm |
uuid | 'a1b2c3d4' | str | Định danh duy nhất cho cài đặt hiện tại |
sync | True | bool | Option to sync analytics and crashes to Ultralytics Platform |
api_key | '' | str | Ultralytics Platform API Key |
clearml | True | bool | Option to use ClearML logging |
comet | True | bool | Option to use Comet ML for experiment tracking and visualization |
dvc | True | bool | Option to use DVC for experiment tracking and version control |
hub | True | bool | Option to use Ultralytics Platform integration |
mlflow | True | bool | Option to use MLFlow for experiment tracking |
neptune | True | bool | Option to use Neptune for experiment tracking |
raytune | True | bool | Option to use Ray Tune for hyperparameter tuning |
tensorboard | True | bool | Option to use TensorBoard for visualization |
wandb | True | bool | Option to use Weights & Biases logging |
vscode_msg | True | bool | When a VS Code terminal is detected, enables a prompt to download the Ultralytics-Snippets extension. |
Hãy xem lại các cài đặt này khi bạn tiến hành các dự án hoặc thử nghiệm để đảm bảo cấu hình tối ưu.
Câu hỏi thường gặp (FAQ)
Làm thế nào để cài đặt Ultralytics bằng pip?
Cài đặt Ultralytics với pip bằng cách sử dụng:
pip install -U ultralyticsLệnh này cài đặt bản phát hành ổn định mới nhất của gói ultralytics từ 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 của bạn.
Tôi có thể cài đặt Ultralytics YOLO bằng conda không?
Có, hãy cài đặt Ultralytics YOLO bằng conda với:
conda install -c conda-forge ultralyticsPhương pháp này là một giải pháp thay thế tuyệt vời cho pip, đảm bảo tính tương thích với các gói khác. Đối với môi trường CUDA, hãy cài đặt ultralytics, pytorch và pytorch-cuda cùng nhau để giải quyết xung đột:
conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=11.8 ultralyticsĐể biết thêm hướng dẫn, xem Conda quickstart guide.
Ưu điểm của việc sử dụng Docker để chạy Ultralytics YOLO là gì?
Docker cung cấp một môi trường cô lập và nhất quán cho Ultralytics YOLO, đảm bảo hiệu suất mượt mà trên các hệ thống và tránh những phức tạp khi cài đặt cục bộ. Các image Docker chính thức có sẵn trên Docker Hub, với các biến thể cho GPU, CPU, ARM64, NVIDIA Jetson và Conda. Để pull 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 --runtime=nvidia --gpus all ultralytics/ultralytics:latestĐể biết hướng dẫn chi tiết về Docker, xem Docker quickstart guide.
Làm cách nào để clone repository Ultralytics để phát triển?
Clone repository Ultralytics và thiết lập môi trường phát triển với:
# 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 .Việc này cho phép đóng góp vào dự án hoặc thử nghiệm với mã nguồn mới nhất. Để biết chi tiết, hãy truy cập Ultralytics GitHub repository.
Tại sao tôi nên sử dụng Ultralytics YOLO CLI?
Ultralytics YOLO CLI giúp đơn giản hóa việc chạy các tác vụ phát hiện đối tượng mà không cần mã Python, cho phép các lệnh một dòng để đào tạo, xác thực và dự đoán trực tiếp từ terminal của bạn. Cú pháp cơ bản là:
yolo TASK MODE ARGSVí dụ, để đào tạo một mô hình phát hiện:
yolo train data=coco8.yaml model=yolo26n.pt epochs=10 lr0=0.01Khám phá thêm các lệnh và ví dụ sử dụng trong CLI Guide đầy đủ.