Conda 快速入门指南Ultralytics

本指南全面介绍了如何为Ultralytics 项目设置 Conda 环境。Conda 是一个开源软件包和环境管理系统，是安装软件包和依赖项的 pip 之外的又一绝佳选择。它的隔离环境使其特别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 软件包，并查看GitHub 上的Ultralytics feedstock 软件包更新仓库。

您将学到什么

• 设置 Conda 环境
• 通过 Conda 安装Ultralytics
• 在环境中初始化Ultralytics
• 使用Ultralytics Docker 映像与 Conda

先决条件

• 您的系统应该已安装 Anaconda 或 Miniconda。如果没有，请从Anaconda或Miniconda 下载并安装。

设置 Conda 环境

首先，让我们创建一个新的 Conda 环境。打开终端，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

您可以从 conda-forge 频道安装Ultralytics 软件包。执行以下命令

conda install -c conda-forge ultralytics

CUDA 环境说明

如果您在CUDA 环境中工作，最好安装 ultralytics, pytorch和 pytorch-cuda 共同解决任何冲突：

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

使用Ultralytics

Ultralytics 安装完成后，您就可以开始使用其强大的功能进行对象检测、实例分割等。例如，要预测图像，可以运行

from ultralytics import YOLO

model = YOLO("yolo11n.pt")  # initialize model
results = model("path/to/image.jpg")  # perform inference
results[0].show()  # display results for the first image

Ultralytics Conda Docker 映像

如果您喜欢使用 Docker，Ultralytics 提供包含 Conda 环境的 Docker 映像。您可以从DockerHub 获取这些映像。

调出最新的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

运行图像：

# 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

使用 Libmamba 加快安装速度

如果您想 加快软件包安装 进程，您可以选择使用 libmamba是一个快速、跨平台、可感知依赖关系的软件包管理器，可作为 Conda 默认解算器的替代。

如何启用 Libmamba

启用 libmamba 作为 Conda 的求解器，可以执行以下步骤：

1. 首先，安装 conda-libmamba-solver 软件包。如果您的 Conda 版本是 4.11 或以上，则可以跳过这一步，因为 libmamba 默认情况下包括

   conda install conda-libmamba-solver
   

2. 接下来，配置 Conda 以使用 libmamba 作为求解器：

   conda config --set solver libmamba
   

就是这样！现在，您的 Conda 安装将使用 libmamba 作为求解器，这应该会加快软件包的安装过程。

恭喜您您已经成功建立了 Conda 环境，安装了Ultralytics 软件包，现在可以探索其丰富的功能了。请随时深入Ultralytics 文档，了解更多高级教程和示例。

常见问题

为Ultralytics 项目建立 Conda 环境的流程是什么？

为Ultralytics 项目设置 Conda 环境非常简单，可确保顺利进行软件包管理。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，用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

在Ultralytics 项目中管理依赖关系时，为什么要使用 Conda 而不是 pip？

Conda 是一个强大的软件包和环境管理系统，与 pip 相比具有多项优势。它能有效管理依赖关系，确保所有必要的库都是兼容的。Conda 的隔离环境可防止软件包之间发生冲突，这在数据科学和机器学习项目中至关重要。此外，Conda 还支持二进制包分发，加快了安装过程。

我能否在启用CUDA 的环境中使用Ultralytics YOLO 以提高性能？

是的，您可以通过使用CUDA 环境来提高性能。确保安装 ultralytics, pytorch和 pytorch-cuda 共同避免冲突：

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

该设置可实现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。更多信息，请访问Ultralytics 安装指南。

在 Conda 环境中使用Ultralytics Docker 映像有什么好处？

使用Ultralytics Docker 映像可确保环境的一致性和可重复性，消除 "在我的机器上也能运行 "的问题。这些镜像包括一个预配置的 Conda 环境，简化了设置过程。您可以使用以下命令提取并运行最新的Ultralytics Docker 映像：

sudo docker pull ultralytics/ultralytics:latest-conda
sudo docker run -it --ipc=host --gpus all ultralytics/ultralytics:latest-conda

这种方法非常适合在生产中部署应用程序或运行复杂的工作流程，而无需手动配置。了解有关Ultralytics Conda Docker Image 的更多信息。

如何加快Ultralytics 环境中 Conda 软件包的安装速度？

通过使用 libmamba是 Conda 的快速依赖关系解决工具。首先，安装 conda-libmamba-solver 包装

conda install conda-libmamba-solver

然后配置 Conda 使用 libmamba 作为求解器：

conda config --set solver libmamba

这种设置可提供更快、更高效的软件包管理。有关优化环境的更多提示，请阅读libmamba 安装。

📅创建于 1 年前 ✏️已更新 1 个月前

评论