Ultralytics YOLO27：

如何使用 Conda 安装 Ultralytics YOLO#

Ultralytics Conda Package Visual

本指南将介绍如何为你的 Ultralytics 项目设置 Conda 环境。Conda 是一个开源的软件包和环境管理系统，可作为使用 pip 安装软件包和依赖项的优秀替代方案。其隔离环境特别适合数据科学和机器学习工作。有关更多详情，请访问 Anaconda 上的 Ultralytics Conda 软件包，并查看 GitHub 上的 Ultralytics feedstock 仓库以获取软件包更新。

Conda 版本 Conda 下载量 Conda 配方 Conda 平台

本指南涵盖如何创建环境、安装 Ultralytics、运行推理、使用 Conda Docker 镜像，以及使用 libmamba 加速安装。

前置条件#

你应已在系统上安装 Anaconda 或 Miniconda。如果尚未安装，请从 Anaconda 或 Miniconda 下载并安装。

设置 Conda 环境#

首先，创建一个新的 Conda 环境。打开终端并运行以下命令：

conda create --name ultralytics-env python=3.11 -y

激活新环境：

conda activate ultralytics-env

安装 Ultralytics#

你可以从 conda-forge 通道安装 Ultralytics 软件包。执行以下命令：

conda install -c conda-forge ultralytics
在 CUDA 环境中安装

如果你在启用 CUDA 的环境中工作，请安装 ultralytics 以及 conda-forge pytorch-gpu 元包，以便 Conda 包管理器同时解析出启用 CUDA 的 PyTorch 构建版本：

conda install -c conda-forge ultralytics pytorch-gpu

使用 Ultralytics#

安装 Ultralytics 后，你现在可以开始使用其强大的目标检测、实例分割等功能。例如，要预测图像，你可以运行：

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # initialize model
results = model("path/to/image.jpg")  # perform inference
results[0].show()  # display results for the first image

Ultralytics Conda Docker 镜像#

Conda Dockerfile 使用的是 conda-forge 的 PyTorch 2.13、torchvision 0.28 和 CUDA 13.0。Conda-forge 的发布版本可能会落后于标准 GPU 镜像所使用的 PyTorch pip 版本。latest-conda 的自动发布已被禁用，因此请在本地构建当前镜像：

git clone https://github.com/ultralytics/ultralytics
cd ultralytics
t=ultralytics-conda:local
sudo docker build -f docker/Dockerfile-conda -t $t .

运行镜像：

# Run the Ultralytics image in a container with GPU support
sudo docker run -it --ipc=host --device nvidia.com/gpu=all $t                         # all GPUs
sudo docker run -it --ipc=host --device nvidia.com/gpu=2 --device nvidia.com/gpu=3 $t # specify GPUs

在 Linux 上，CDI 设备请求需要 Docker >= 28.2.0 和 NVIDIA Container Toolkit >= 1.18。旧版 --gpus all 标志在主机守护进程重新加载后可能会失去 GPU 访问权限，因此请升级较旧的 Linux 主机并改用 --device。详情请参阅 Docker 快速入门指南。

使用 Libmamba 加速安装#

libmamba 是一个快速、跨平台且能够感知依赖关系的求解器，用于替代 Conda 的经典求解器。Conda 23.10 及更高版本已默认使用 libmamba 作为求解器，因此大多数安装开箱即更快。

如果你使用的是较旧版本的 Conda，可以手动启用 libmamba：

  1. 首先，安装 conda-libmamba-solver 软件包：

    conda install conda-libmamba-solver

  2. 接下来，将 Conda 配置为使用 libmamba 作为求解器：

    conda config --set solver libmamba

你已成功设置 Conda 环境并安装 Ultralytics 软件包，现在可以开始探索其功能。有关更高级的教程和示例，请参阅 Ultralytics 文档。

常见问题#

  • 为 Ultralytics 项目设置 Conda 环境非常简单，并且可以确保软件包管理顺畅。首先，使用以下命令创建新的 Conda 环境：

    conda create --name ultralytics-env python=3.11 -y

    然后，使用以下命令激活新环境：

    conda activate ultralytics-env

    最后，从 conda-forge 通道安装 Ultralytics：

    conda install -c conda-forge ultralytics

  • Conda 是一个强大的软件包和环境管理系统，相较于 pip 具有多项优势。它可以高效管理依赖项，并确保所有必要的库彼此兼容。Conda 的隔离环境可防止软件包之间发生冲突，这对数据科学和机器学习项目至关重要。此外，Conda 支持二进制软件包分发，可以加快安装过程。

  • 是的，你可以通过利用启用 CUDA 的环境来提升性能。安装 ultralytics 以及 conda-forge pytorch-gpu 元包，以便同时解析出启用 CUDA 的 PyTorch 构建版本：

    conda install -c conda-forge ultralytics pytorch-gpu

    此设置可以启用 GPU 加速，这对于深度学习模型训练和推理等高强度任务至关重要。有关更多信息，请访问 Ultralytics 安装指南。

  • Conda Dockerfile 提供了一个带有启用 CUDA 的 PyTorch 的独立 conda-forge 环境。请按照本地构建说明操作，然后使用其中显示的 GPU 选项运行它。标准发布的 GPU 镜像以及其他替代方案列在Docker 指南中。

  • Conda 23.10 及更高版本默认已使用快速的 libmamba 求解器。在较旧版本的 Conda 中，你可以先安装 conda-libmamba-solver 软件包，然后手动启用该求解器：

    conda install conda-libmamba-solver

    然后将 Conda 配置为使用 libmamba 作为求解器：

    conda config --set solver libmamba

    此设置可以提供更快、更高效的软件包管理。有关优化环境的更多技巧，请阅读安装 libmamba的相关内容。

贡献者
GLglenn-jocher16RAraimbekovm2BUBurhan-Q2PDpderrenger1ONonuralpszr1PIpicsalex1Y-Y-T-G1RIRizwanMunawar1

评论