如何使用 Conda 安装 Ultralytics YOLO#
本指南将介绍如何为 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，在安装软件包及其依赖项方面为 pip 提供了出色的替代方案。其隔离环境尤其适用于数据科学和机器学习工作。了解详情，请访问 Anaconda 上的 Ultralytics Conda 软件包，并查看 GitHub 上的 Ultralytics feedstock 仓库，获取软件包更新。
本指南介绍如何创建包含 Ultralytics 的环境、运行推理、使用 Conda Docker 镜像，以及借助 libmamba 加快安装速度。
前置条件#
你应该已在系统上安装 Anaconda 或 Miniconda。如果尚未安装，请从 Anaconda 或 Miniconda 下载并安装。
安装 Ultralytics#
从 conda-forge 频道创建一个包含 Ultralytics 的新 Conda 环境，然后激活它。在同一条命令中安装 Python、Ultralytics 和 torchvision（它不是 conda-forge 软件包的依赖项），这样 conda 就能一并解析出当前兼容的版本：
conda create --name ultralytics-env -c conda-forge python=3.11 ultralytics torchvision -y
conda activate ultralytics-env如果你正在使用支持 CUDA 的环境，在同一条命令中添加 conda-forge 的 pytorch-gpu 元包，这样 conda 就能解析出支持 CUDA 的 PyTorch 构建版本：
conda create --name ultralytics-env -c conda-forge python=3.11 ultralytics torchvision pytorch-gpu -y
conda activate ultralytics-envROCm 环境说明（AMD GPU，Linux）#
在 Linux 上使用 ROCm 加速 AMD GPU 时，PyTorch ROCm wheel 无法通过 Conda 获取，必须使用 pip 安装。使用 Conda 环境进行隔离，然后通过 pip 安装 PyTorch ROCm 和 Ultralytics：
conda create --name ultralytics-rocm python=3.12 -y
conda activate ultralytics-rocm
pip install "torch[device-all]" "torchvision[device-all]" --index-url https://stable.repo.amd.com/rocm/whl-next/
pip install ultralytics有关支持的 ROCm 版本，请参阅 PyTorch 入门页面；有关 MIGraphX 推理设置，请参阅 AMD GPU 指南，该设置要求使用 Linux x86_64 上的 Python 3.11 或更高版本。
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，可以运行：
from ultralytics import YOLO
model = YOLO("yolo26n.pt") # 初始化模型
results = model("path/to/image.jpg") # 执行推理
results[0].show() # 显示第一张图像的结果Ultralytics Conda Docker 镜像#
Conda Dockerfile 使用 conda-forge 的 PyTorch 2.13、torchvision 0.28 和 CUDA 13.0。conda-forge 的版本发布可能落后于标准 GPU 镜像所用的 PyTorch pip 版本。latest-conda 的自动发布已禁用，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 设备请求要求 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导致 GPU 访问中断，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 加快安装#
libmamba 是一款快速、跨平台且能感知依赖关系的求解器，可替代 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用，速度更快。
如果你使用的是较旧版本的 Conda，可以手动启用 libmamba：
-
首先，安装
conda-libmamba-solver软件包：conda install conda-libmamba-solver -
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了。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 环境很简单，还能确保软件包管理顺畅。只需在一条命令中从 conda-forge 频道创建包含 Python 和 Ultralytics 的环境，让 conda 一并解析它们，然后激活环境：
conda create --name ultralytics-env -c conda-forge python=3.11 ultralytics torchvision -y conda activate ultralytics-envConda 是一套功能强大的软件包和环境管理系统，相比 pip 有诸多优势。它能高效管理依赖项，并确保所有必需的库彼此兼容。Conda 的隔离环境可避免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，能够加快安装过程。
可以，你可以通过使用支持 CUDA 的环境来提升性能。在同一条命令中使用
ultralytics和 conda-forge 的pytorch-gpu元包创建环境，这样就能同时解析出支持 CUDA 的 PyTorch 构建版本：conda create --name ultralytics-env -c conda-forge python=3.11 ultralytics torchvision pytorch-gpu -y conda activate ultralytics-env此设置可启用 GPU 加速，这对深度学习模型训练和推理等计算密集型任务至关重要。更多信息请参阅 Ultralytics 安装指南。
Conda 23.10 及更高版本已默认使用快速的
libmamba求解器。对于较旧版本的 Conda，你可以手动启用它：首先安装conda-libmamba-solver软件包：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此设置可让软件包管理更快速、更高效。有关优化环境的更多技巧，请阅读 libmamba 安装说明。