Cài đặt Ultralytics

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

# Install the ultralytics package from PyPI
pip install ultralytics

Bạn cũng có thể cài đặt ultralytics trực tiếp từ Ultralytics Kho lưu trữ GitHub. Điều này có thể hữu ích nếu bạn muốn có 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 . Ultralytics kho lưu trữ dữ liệu 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

Hình ảnh Conda Docker

Ultralytics Hình ảnh Conda Docker cũng có sẵn từ DockerHub. Những hình 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 Ultralytics Kho lưu trữ GitHub nếu bạn quan tâm đến việc đóng góp cho sự 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 sử dụng 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 hiện ultralytics đóng gói trong một thùng chứa riêng biệt, đảm bảo hiệu suất nhất quán trong nhiều môi trường khác nhau. Bằng cách chọn một trong những ultralytics hình ảnh từ Trung tâm Docker, bạn tránh được sự phức tạp của việc cài đặt cục bộ và có quyền truy cập vào môi trường làm việc đã được xác minh. Ultralytics cung cấp năm hình ảnh Docker được hỗ trợ chính, mỗi hình ảnh được thiết kế để có khả năng tương thích và hiệu quả cao:

• Tệp Docker: GPU hình ảnh được đề xuất để đào tạo.
• 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 khác dựa trên ARM64.
• Dockerfile- cpu : Dựa trên Ubuntu CPU -Phiên bản duy nhất, phù hợp cho suy luận và môi trường không có GPU.
• Dockerfile-jetson: Được thiết kế riêng cho các thiết bị NVIDIA Jetson , tích hợp GPU hỗ trợ được tối ưu hóa cho các nền tảng này.
• Dockerfile- python : Hình ảnh tối thiểu chỉ với Python và các phụ thuộc cần thiết, lý tưởng cho các ứng dụng nhẹ và phát triển.
• Dockerfile-conda: Dựa trên Miniconda3 với cài đặt conda của ultralytics bưu kiện.

Sau 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 vùng chứa Docker với phiên bản mới nhất ultralytics hình ảnh. Các -it cờ gán một pseudo-TTY và giữ stdin mở, cho phép tương tác với container. --ipc=host cờ đặt không gian tên IPC (Giao tiếp giữa các quy trình) cho máy chủ, điều này rất cần thiết để chia sẻ bộ nhớ giữa các quy trình. --gpus all cờ cho phép truy cập vào tất cả các GPU có sẵn bên trong vùng chứa, rất quan trọng đối với các tác vụ yêu cầu GPU tính toán.

Lưu ý: Để làm việc với các tệp trên máy cục bộ của bạn trong vùng chứa, hãy sử dụng ổ đĩa Docker để gắn 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 với đường dẫn mong muốn bên trong vùng chứa Docker.

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

Ultralytics yolo lệnh sử dụng cú pháp sau:

yolo TASK MODE ARGS

Xem tất cả ARGS trong đầy đủ Hướng dẫn cấu hình hoặc với yolo cfg CLI yêu cầu.

Đào tạo mô hình phát hiện trong 10 kỷ nguyên với tốc độ học ban đầu là 0,01:

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

Dự đoán video YouTube bằng mô hình phân đoạn được đào tạo trước ở kích thước hình ảnh 320:

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

Xác thực mô hình phát hiện được đào tạo trước với kích thước lô là 1 và kích thước hình ảnh là 640:

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

Xuất mô hình phân loại YOLOv11n 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 cách sử dụng YOLO11 :

yolo solutions count show=True

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

Theo dõi các bài tập luyện tập bằng cách sử dụng YOLO11 tư thế người mẫu:

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, xem cài đặt, chạy kiểm tra và nhiều hơn nữa:

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

Sử dụng Python để xem cài đặt của bạn bằng cách nhập settings đối tượng từ ultralytics module. In và trả về các thiết lập bằng 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:

yolo settings

TRONG Python , sử dụng update phương pháp trên settings sự vật:

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