Bắt đầu nhanh

Cài đặt ultralytics Gói sử dụng pip hoặc cập nhật cài đặt hiện có bằng cách chạy pip install -U ultralytics. Ghé thăm Python Chỉ số gói (PyPI) để biết thêm chi tiết về ultralytics gói: https://pypi.org/project/ultralytics/.

# Install the ultralytics package from PyPI
pip install ultralytics

Bạn cũng có thể cài đặt ultralytics gói trực tiếp từ GitHub Kho. Điều này có thể hữu ích nếu bạn muốn có phiên bản phát triển mới nhất. Đảm bảo cài đặt công cụ dòng lệnh Git trên hệ thống của bạn. Các @main lệnh cài đặt main chi nhánh và có thể được sửa đổi sang chi nhánh khác, tức là @my-branch, hoặc bị xóa hoàn toàn về mặc định thành main nhánh.

# Install the ultralytics package from GitHub
pip install git+https://github.com/ultralytics/ultralytics.git@main

Conda là một trình quản lý gói thay thế cho pip cũng có thể được sử dụng để cài đặt. Truy cập Anaconda để biết thêm chi tiết tại https://anaconda.org/conda-forge/ultralytics. Ultralytics Kho lưu trữ nguyên liệu để cập nhật gói Conda là tại https://github.com/conda-forge/ultralytics-nguyên liệu/.

# 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 từ DockerHub. Những hình ảnh này dựa trên Miniconda3 và là 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 nếu bạn quan tâm đến việc đóng góp cho sự phát triển hoặc muốn thử nghiệm với mã nguồn mới nhất. Sau khi nhân bản, 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 dễ dàng thực thi ultralytics Đóng gói trong một thùng chứa cách ly, đảm bảo hiệu suất nhất quán và trơn tru trên các môi trường khác nhau. Bằng cách chọn một trong những quan chức ultralytics Hình ảnh từ Trung tâm Docker, bạn không chỉ tránh được sự phức tạp của việc cài đặt cục bộ mà còn được hưởng lợi từ việc truy cập vào môi trường làm việc đã được xác minh. Ultralytics cung cấp 5 hình ảnh Docker được hỗ trợ chính, mỗi hình ảnh được thiết kế để cung cấp khả năng tương thích và hiệu quả cao cho các nền tảng và trường hợp sử dụng khác nhau:

• Dockerfile: Hình ảnh GPU được đề xuất cho đào tạo.
• Dockerfile-arm64: Tối ưu hóa cho kiến trúc ARM64, cho phép 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 với suy luận và 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: Hình ảnh tối thiểu chỉ với Python và các phụ thuộc 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 có được hình ảnh mới nhất và thực hiện 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 Docker container với latest ultralytics ảnh. Các -it flag gán một giả TTY và duy trì stdin mở, cho phép bạn tương tác với vùng chứa. Các --ipc=host cờ đặt không gian tên IPC (Inter-Process Communication) cho máy chủ, điều này rất cần thiết để chia sẻ bộ nhớ giữa các tiến trình. Các --gpus all flag cho phép truy cập vào tất cả các GPU có sẵn bên trong container, điều này rất quan trọng đối với các tác vụ yêu cầu tính toán GPU.

Lưu ý: Để làm việc với các tệp trên máy cục bộ của bạn trong bộ chứa, hãy sử dụng ổ đĩa Docker để gắn thư mục cục bộ vào bộ 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 đổi /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 bộ chứa Docker cho khả năng truy cập.

Để sử dụng Docker nâng cao, vui lòng khám phá Ultralytics Hướng dẫn Docker.

Ultralytics yolo Các lệnh sử dụng cú pháp sau:

yolo TASK MODE ARGS

• TASK (tùy chọn) là một trong (dò, Phân đoạn, phân loại, tư thế)
• MODE (bắt buộc) là một trong (xe lửa, Val, dự đoán, xuất khẩu, rãnh)
• ARGS (tùy chọn) là arg=value Các cặp như imgsz=640 mà ghi đè mặc định.

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

Đào tạo mô hình phát hiện cho 10 kỷ nguyên với learning_rate ban đầu là 0,01

yolo train data=coco8.yaml model=yolov8n.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=yolov8n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320

Val một mô hình phát hiện được đào tạo trước ở kích thước lô 1 và kích thước hình ảnh 640:

yolo val model=yolov8n.pt data=coco8.yaml batch=1 imgsz=640

Xuất một YOLOv8n Mô hình phân loại thành ONNX định dạng ở kích thước hình ảnh 224 x 128 (không yêu cầu TASK)

yolo export model=yolov8n-cls.pt format=onnx imgsz=224,128

Chạy các lệnh đặc biệt để xem phiên bản, xem cài đặt, chạy kiểm tra và hơn thế nữa:

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

Bạn có thể sử dụng Python để xem cài đặt của bạn. Bắt đầu bằng cách nhập settings đối tượng từ ultralytics Module. In và trả lại cài đặt bằng các lệnh sau:

from ultralytics import settings

# View all settings
print(settings)

# Return a specific setting
value = settings['runs_dir']

Ngoài ra, giao diện dòng lệnh cho phép bạn kiểm tra cài đặt của mình bằng một lệnh đơn giản:

yolo settings

Trong Python môi trường, gọi update phương pháp trên settings Đối tượng để thay đổi cài đặt của bạn:

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()

Nếu bạn thích sử dụng giao diện dòng lệnh, các lệnh sau sẽ cho phép bạn sửa đổi cài đặt của mình:

# 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