Link to this section如何使用 Conda 安装 Ultralytics YOLO#

本指南将引导你为 Ultralytics 项目设置 Conda 环境。Conda 是一个开源的包和环境管理系统，是 pip 安装包和依赖项的绝佳替代方案。其隔离环境的特性使其非常适合数据科学和 机器学习 工作。欲了解更多详情，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。

本指南涵盖了如何 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。

Link to this section前提条件#

你需要确保系统上已安装 Anaconda 或 Miniconda。如果没有，请从 Anaconda 或 Miniconda 下载并安装。

Link to this section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

Link to this section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

conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=12.1 ultralytics

Link to this section使用 Ultralytics#

安装好 Ultralytics 后，你现在可以开始使用它强大的 目标检测、实例分割 等功能。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 image

Link to this sectionUltralytics Conda Docker 镜像#

如果你更喜欢使用 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 --runtime=nvidia --gpus all $t            # all GPUs
sudo docker run -it --ipc=host --runtime=nvidia --gpus '"device=2,3"' $t # specify GPUs

Link to this section使用 Libmamba 加速安装#

libmamba 是一个快速、跨平台且具备依赖意识的求解器，它取代了 Conda 传统的求解器。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，速度更快。

如果你使用的是较旧的 Conda 版本，可以手动启用 libmamba：

1. 首先，安装 conda-libmamba-solver 包：

   conda install conda-libmamba-solver

2. 接下来，配置 Conda 使用 libmamba 作为求解器：

   conda config --set solver libmamba

你已成功设置了 Conda 环境并安装了 Ultralytics 包，现在可以开始探索它的功能了。如需更多进阶教程和示例，请参阅 Ultralytics 文档。

Link to this section常见问题解答#

Link to this section为 Ultralytics 项目设置 Conda 环境的流程是什么？#

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 ultralytics

Link to this section为什么在管理 Ultralytics 项目的依赖项时应该使用 Conda 而不是 pip？#

Conda 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。

Link to this section我可以在支持 CUDA 的环境中使用 Ultralytics YOLO 来获得更快的性能吗？#

是的，你可以利用支持 CUDA 的环境来提高性能。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

此设置可实现 GPU 加速，这对 深度学习 模型训练和推理等密集型任务至关重要。如需更多信息，请访问 Ultralytics 安装指南。

Link to this section使用带有 Conda 环境的 Ultralytics Docker 镜像有什么好处？#

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 --runtime=nvidia --gpus all ultralytics/ultralytics:latest-conda            # all GPUs
sudo docker run -it --ipc=host --runtime=nvidia --gpus '"device=2,3"' 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运行复杂的流程，而无需手动配置。了解更多关于 Ultralytics Conda Docker 镜像 的信息。

Link to this section如何加速我 Ultralytics 环境中 Conda 包的安装？#

Conda 23.10 及更高版本默认使用快速的 libmamba 求解器。在较旧的 Conda 版本上，你可以先安装 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

此设置提供了更快、更高效的包管理。如需更多关于优化环境的提示，请阅读关于 libmamba 安装 的信息。