Bắt đầu nhanh

Cài đặt Ultralytics

Ultralytics cung cấp các phương pháp cài đặt khác nhau bao gồm pip, conda và Docker. Cài đặt YOLOv8 thông qua ultralytics Gói pip cho bản phát hành ổn định mới nhất hoặc bằng cách nhân bản Ultralytics Kho lưu trữ GitHub cho phiên bản cập nhật nhất. Docker có thể được sử dụng để thực thi gói trong một container bị cô lập, tránh cài đặt cục bộ.

Xem: Ultralytics YOLO Hướng dẫn Bắt đầu Nhanh

# Install the ultralytics package from PyPI
pip install ultralytics

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

# 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

# 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

# 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 .

# 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

# 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

Xem ultralytics pyproject.toml cho một danh sách các phụ thuộc. Lưu ý rằng tất cả các ví dụ ở trên cài đặt tất cả các phụ thuộc bắt buộc.

Dùng Ultralytics với CLI

Các Ultralytics giao diện dòng lệnh (CLI) cho phép các lệnh một dòng đơn giản mà không cần một Python môi trường. CLI không yêu cầu tùy chỉnh hoặc Python mã. Bạn có thể chỉ cần chạy tất cả các tác vụ từ thiết bị đầu cuối với yolo lệnh. Kiểm tra các CLI Hướng dẫn để tìm hiểu thêm về cách sử dụng YOLOv8 từ dòng lệnh.

yolo TASK MODE ARGS

yolo train data=coco8.yaml model=yolov8n.pt epochs=10 lr0=0.01

yolo predict model=yolov8n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320

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

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

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

CLI Hướng dẫn

Dùng Ultralytics với Python

YOLOv8's Python Giao diện cho phép tích hợp liền mạch vào Python dự án, giúp dễ dàng tải, chạy và xử lý đầu ra của mô hình. Được thiết kế với sự đơn giản và dễ sử dụng, Python Giao diện cho phép người dùng nhanh chóng thực hiện phát hiện, phân đoạn và phân loại đối tượng trong các dự án của họ. Điều này làm cho YOLOv8's Python Giao diện một công cụ vô giá cho bất kỳ ai muốn kết hợp các chức năng này vào Python Dự án.

Ví dụ: người dùng có thể tải một mô hình, đào tạo nó, đánh giá hiệu suất của nó trên một bộ xác thực và thậm chí xuất nó sang ONNX định dạng chỉ với một vài dòng mã. Kiểm tra các Python Hướng dẫn tìm hiểu thêm về cách sử dụng YOLOv8 trong phạm vi của bạn Python Dự án.

from ultralytics import YOLO

# Create a new YOLO model from scratch
model = YOLO("yolov8n.yaml")

# Load a pretrained YOLO model (recommended for training)
model = YOLO("yolov8n.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")

Python Hướng dẫn

Ultralytics Cài đặt

Các Ultralytics Thư viện cung cấp một hệ thống quản lý cài đặt mạnh mẽ để cho phép kiểm soát chi tiết các thử nghiệm của bạn. Bằng cách sử dụng SettingsManager nằm trong ultralytics.utils mô-đun, người dùng có thể dễ dàng truy cập và thay đổi cài đặt của họ. Chúng được lưu trữ trong tệp YAML và có thể được xem hoặc sửa đổi trực tiếp trong Python môi trường hoặc thông qua Giao diện dòng lệnh (CLI).

Kiểm tra cài đặt

Để hiểu rõ hơn về cấu hình hiện tại của cài đặt, bạn có thể xem trực tiếp:

from ultralytics import settings

# View all settings
print(settings)

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

yolo settings

Sửa đổi cài đặt

Ultralytics cho phép người dùng dễ dàng sửa đổi cài đặt của họ. Thay đổi có thể được thực hiện theo các cách sau:

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()

# 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

Tìm hiểu cài đặt

Bảng dưới đây cung cấp tổng quan về các cài đặt có sẵn để điều chỉnh trong Ultralytics. Mỗi cài đặt được phác thảo cùng với một giá trị mẫu, kiểu dữ liệu và mô tả ngắn gọn.

Khi bạn điều hướng qua các dự án hoặc thử nghiệm của mình, hãy nhớ truy cập lại các cài đặt này để đảm bảo rằng chúng được định cấu hình tối ưu cho nhu cầu của bạn.

FAQ

Làm cách nào để cài đặt Ultralytics YOLOv8 Sử dụng pip?

Để cài đặt Ultralytics YOLOv8 Với pip, thực hiện lệnh sau:

pip install ultralytics

Đối với bản phát hành ổn định mới nhất, thao tác này sẽ cài đặt ultralytics Gói trực tiếp từ Python Chỉ số gói (PyPI). Để biết thêm chi tiết, hãy truy cập ultralytics gói trên PyPI.

Ngoài ra, bạn có thể cài đặt phiên bản phát triển mới nhất trực tiếp từ GitHub:

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

Đảm bảo cài đặt công cụ dòng lệnh Git trên hệ thống của bạn.

Tôi có thể cài đặt không Ultralytics YOLOv8 Sử dụng Conda?

Có, bạn có thể cài đặt Ultralytics YOLOv8 Sử dụng Conda bằng cách chạy:

conda install -c conda-forge ultralytics

Phương pháp này là một giải pháp thay thế tuyệt vời cho pip và đảm bảo khả năng tương thích với các gói khác trong môi trường của bạn. Cho CUDA môi trường, tốt nhất là cài đặt ultralytics, pytorchvà pytorch-cuda đồng thời giải quyết mọi xung đột:

conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=11.8 ultralytics

Để biết thêm hướng dẫn, hãy truy cập hướng dẫn bắt đầu nhanh Conda.

Ưu điểm của việc sử dụng Docker để chạy là gì Ultralytics YOLOv8?

Sử dụng Docker để chạy Ultralytics YOLOv8 Cung cấp một môi trường biệt lập và nhất quán, đảm bảo hiệu suất trơn tru trên các hệ thống khác nhau. Nó cũng giúp loại bỏ sự phức tạp của cài đặt cục bộ. Hình ảnh Docker chính thức từ Ultralytics đều có sẵn trên Docker Hub, với các biến thể khác nhau được thiết kế riêng cho GPU, CPU, ARM64, NVIDIA Môi trường Jetson và Conda. Dưới đây là các lệnh để kéo và chạy hình ảnh 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 --gpus all ultralytics/ultralytics:latest

Để biết hướng dẫn chi tiết hơn về Docker, hãy xem hướng dẫn bắt đầu nhanh Docker.

Làm cách nào để sao chép Ultralytics kho lưu trữ để phát triển?

Để sao chép Ultralytics Kho lưu trữ và thiết lập môi trường phát triển, sử dụng các bước sau:

# 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 .

Cách tiếp cận này cho phép bạn đóng góp cho dự án hoặc thử nghiệm với mã nguồn mới nhất. Để biết thêm chi tiết, hãy truy cập Ultralytics Kho lưu trữ GitHub.

Tại sao tôi nên sử dụng Ultralytics YOLOv8 CLI?

Các Ultralytics YOLOv8 giao diện dòng lệnh (CLI) đơn giản hóa việc chạy các tác vụ phát hiện đối tượng mà không yêu cầu Python mã. Bạn có thể thực hiện các lệnh một dòng cho các tác vụ như đào tạo, xác thực và dự đoán ngay từ thiết bị đầu cuối của mình. Cú pháp cơ bản cho yolo Các lệnh là:

yolo TASK MODE ARGS

Ví dụ: để đào tạo một mô hình phát hiện với các tham số được chỉ định:

yolo train data=coco8.yaml model=yolov8n.pt epochs=10 lr0=0.01

Kiểm tra đầy đủ CLI Hướng dẫn khám phá thêm các lệnh và ví dụ sử dụng.

Ý kiến