Làm thế nào để cài đặt Ultralytics bằng pip?

Cài đặt Ultralytics với pip bằng: Thao tác này sẽ 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: Đảm 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, cài đặt Ultralytics YOLO bằng conda với: Phương pháp này là một lựa chọn thay thế tuyệt vời cho pip, đảm bảo tính tương thích với các gói khác. Đối với môi trường CUDA, hãy cài đặt ultralytics cùng với gói siêu dữ liệu pytorch-gpu để conda chọn bản dựng PyTorch hỗ trợ CUDA: Để biết thêm hướng dẫn, hãy 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, nhất quán cho Ultralytics YOLO, đảm bảo hiệu suất mượt mà trên các hệ thống và tránh các độ phức tạp khi cài đặt cục bộ. Các hình ảnh Docker chính thức có sẵn trên Docker Hub, với các biến thể cho GPU, CPU, ARM64, NVIDIA Jetson và Conda. Để kéo và chạy hình ảnh mới nhất: Trên Linux, các yêu cầu thiết bị CDI yêu cầu Docker >= 28.2.0 và NVIDIA Container Toolkit >= 1.18. Để biết hướng dẫn chi tiết về Docker, hãy xem hướng dẫn khởi động nhanh Docker.

Làm thế nào để nhân bản kho lưu trữ Ultralytics để phát triển?

Nhân bản kho lưu trữ Ultralytics và thiết lập môi trường phát triển với: Điều này cho phép đóng góp cho dự án hoặc thử nghiệm với mã nguồn mới nhất. Đối với các bản fork và ghim một nhánh tùy chỉnh, hãy xem Cài đặt phát triển.

Tại sao tôi nên sử dụng Ultralytics YOLO CLI?

Ultralytics YOLO CLI 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 thiết bị đầu cuối của bạn. Cú pháp cơ bản là: Ví dụ, để đào tạo một model phát hiện: Khám phá thêm các lệnh và ví dụ sử dụng trong CLI Guide đầy đủ.

Cài đặt Ultralytics#

Cài đặt gói ultralytics bằng pip, conda, Docker hoặc từ mã nguồn, sau đó chạy dự đoán đầu tiên với một model YOLO26 được huấn luyện sẵn. Mọi phương thức đều cài đặt tất cả các phần phụ thuộc bắt buộc được liệt kê trong pyproject.toml.

Cài đặt

Cài đặt hoặc cập nhật gói ultralytics trong môi trường Python>=3.8 với PyTorch>=1.8:

pip install -U ultralytics

Đối với phiên bản phát triển mới nhất, hãy cài đặt trực tiếp từ kho lưu trữ GitHub của Ultralytics:

pip install git+https://github.com/ultralytics/ultralytics.git@main

Mẹo

Các yêu cầu đối với 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 bằng cách làm theo hướng dẫn cài đặt PyTorch, sau đó cài đặt ultralytics.

Sử dụng Ultralytics với CLI#

Chạy dự đoán đầu tiên từ terminal bằng lệnh yolo:

yolo predict model=yolo26n.pt

Trọng số được huấn luyện trước yolo26n.pt tự động tải xuống, model chạy trên hai hình ảnh mẫu đi kèm và lệnh in ra nơi nó lưu các kết quả được chú thích, runs/detect/predict trong lần chạy đầu tiên. Trỏ source vào hình ảnh, video, thư mục, URL, luồng của riêng bạn hoặc vào webcam bằng source=0:

yolo predict model=yolo26n.pt source=0 show=True

predict là mode (chế độ), tức là việc cần làm với model: train, val, predict, export, track hoặc benchmark. task (tác vụ) (detect, segment, semantic, depth, classify, pose hoặc obb) được đọc từ tệp model, do đó cú pháp yolo TASK MODE ARGS thường chỉ cần chế độ cộng với các cặp arg=value như imgsz=640. Xem Hướng dẫn CLI cho mọi chế độ và trang Cấu hình cho tất cả các đối số.

Sử dụng Ultralytics với Python#

Dự đoán tương tự trong Python:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # load a pretrained YOLO26n detection model
results = model("https://ultralytics.com/images/bus.jpg", save=True)  # predict and save the annotated image

results là một danh sách các đối tượng Results, mỗi hình ảnh một đối tượng, mang theo các hộp giới hạn, mặt nạ, điểm khóa hoặc xác suất lớp tùy thuộc vào tác vụ. Hướng dẫn về Python đề cập đến việc huấn luyện, xác thực, xuất và theo dõi với cùng một lớp YOLO.

Watch: Ultralytics YOLO Quick Start Guide