如何使用 Conda 安装 Ultralytics YOLO#
本指南将带你为你的 Ultralytics 项目设置 Conda 环境。Conda 是一个开源的包和环境管理系统，是使用 pip 安装包和依赖项的极佳替代方案。其隔离的环境使其特别适合用于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 包，并查看 GitHub 上的 Ultralytics feedstock 仓库以获取包更新。
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。
前提条件#
你的系统上应该已经安装了 Anaconda 或 Miniconda。如果没有，请从 Anaconda 或 Miniconda 下载并安装它。
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 频道安装 Ultralytics 包。执行以下命令：
conda install -c conda-forge ultralytics如果你在支持 CUDA 的环境中工作，建议同时安装 ultralytics、pytorch 和 pytorch-cuda，以便 Conda 包管理器能够解析任何冲突：
conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=12.1 ultralytics使用 Ultralytics#
安装 Ultralytics 后，你现在可以开始使用其强大的功能进行目标检测、实例分割等操作。例如，要对图像进行预测，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 imageUltralytics Conda Docker 镜像#
如果你喜欢使用 Docker，Ultralytics 提供了包含 Conda 环境的 Docker 镜像。你可以从 DockerHub 拉取这些镜像。
拉取最新的 Ultralytics 镜像：
# Set image name as a variable
t=ultralytics/ultralytics:latest-conda
# Pull the latest Ultralytics image from Docker Hub
sudo docker pull $t运行该镜像：
# 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。旧版的 --gpus all 标志在主机守护进程重新加载后可能会丢失 GPU 访问权限，因此请升级较旧的 Linux 主机并改用 --device。详情请参见 Docker 快速入门指南。
使用 Libmamba 加速安装#
libmamba 是一个快速、跨平台、具备依赖意识的求解器，它替代了 Conda 的经典求解器。Conda 23.10 及更高版本已经默认使用 libmamba 作为求解器，因此大多数安装开箱即用就会更快。
如果你使用的是旧版本的 Conda，你可以手动启用 libmamba：
-
首先，安装
conda-libmamba-solver包：conda install conda-libmamba-solver -
接下来，配置 Conda 使用
libmamba作为求解器：conda config --set solver libmamba
你已成功设置 Conda 环境、安装了 Ultralytics 包，现在随时可以探索其功能。有关更多高级教程和示例，请参阅 Ultralytics 文档。
常见问题解答#
为 Ultralytics 项目设置 Conda 环境非常简单，可以确保流畅的包管理。首先，使用以下命令创建一个新的 Conda 环境：
conda create --name ultralytics-env python=3.11 -y然后，通过以下命令激活新环境：
conda activate ultralytics-env最后，从 conda-forge 频道安装 Ultralytics：
conda install -c conda-forge ultralyticsConda 是一个强大的包和环境管理系统，相比 pip 具有多项优势。它能高效管理依赖关系并确保所有必需的库兼容。Conda 的隔离环境可以防止包之间的冲突，这对于数据科学和机器学习项目至关重要。此外，Conda 支持二进制包分发，从而加快了安装过程。
是的，你可以通过利用支持 CUDA 的环境来提升性能。请确保同时安装
ultralytics、pytorch和pytorch-cuda以避免冲突：conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=12.1 ultralytics此设置可启用 GPU 加速，这对于深度学习模型训练和推理等密集型任务至关重要。有关更多信息，请访问 Ultralytics 安装指南。
使用 Ultralytics Docker 镜像可以确保环境的一致性和可复现性，消除“在我的机器上能运行”的问题。这些镜像包含一个预先配置好的 Conda 环境，简化了设置过程。你可以通过以下命令拉取并运行最新的 Ultralytics Docker 镜像：
sudo docker pull ultralytics/ultralytics:latest-conda sudo docker run -it --ipc=host --device nvidia.com/gpu=all ultralytics/ultralytics:latest-conda # all GPUs sudo docker run -it --ipc=host --device nvidia.com/gpu=2 --device nvidia.com/gpu=3 ultralytics/ultralytics:latest-conda # specify GPUs这种方法非常适合在生产环境中部署应用程序或在无需手动配置的情况下运行复杂的工作流。了解有关 Ultralytics Conda Docker 镜像的更多信息。
Conda 23.10 及更高版本默认已经使用快速的
libmamba求解器。在较旧的 Conda 版本上，你可以通过首先安装conda-libmamba-solver包来手动启用它：conda install conda-libmamba-solver然后配置 Conda 使用
libmamba作为求解器：conda config --set solver libmamba此设置提供更快、更高效的包管理。有关优化环境的更多提示，请阅读有关libmamba 安装的内容。