Ultralytics Conda 快速入门指南
本指南全面介绍了如何为您的 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，为安装软件包和依赖项提供了 pip 的绝佳替代方案。其隔离环境使其特别适合数据科学和机器学习工作。有关更多详细信息，请访问 Anaconda 上的 Ultralytics Conda 软件包，并查看 GitHub 上 Ultralytics feedstock 存储库以获取软件包更新。
您将学到的内容
- 设置 Conda 环境
- 通过 Conda 安装 Ultralytics
- 在您的环境中初始化 Ultralytics
- 将 Ultralytics Docker 镜像与 Conda 结合使用
准备工作
设置 Conda 环境
首先，让我们创建一个新的 Conda 环境。打开您的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
您可以从 conda-forge 频道安装 Ultralytics 包。执行以下命令：
conda install -c conda-forge ultralytics
关于 CUDA 环境的说明
如果您在启用 CUDA 的环境中工作，最好安装 ultralytics, pytorch和 pytorch-cuda 一起以解决任何冲突：
conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=11.8 ultralytics
使用 Ultralytics
安装 Ultralytics 后，您现在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，您可以运行：
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 镜像
如果您更喜欢使用 Docker，Ultralytics 提供了包含 Conda 环境的 Docker 镜像。您可以从 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
运行图像：
# 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
使用 Libmamba 加速安装
如果您正在寻找 加速软件包安装 在 Conda 中处理，您可以选择使用 libmamba，一个快速、跨平台且具有依赖感知能力的包管理器，可以作为 Conda 默认求解器的替代方案。
如何启用 Libmamba
启用 libmamba 作为 Conda 的求解器，您可以执行以下步骤：
-
首先，安装
conda-libmamba-solverpackage。如果您的 Conda 版本是 4.11 或更高版本，则可以跳过此步骤，因为libmamba默认情况下包含。conda install conda-libmamba-solver -
接下来，配置 Conda 以使用
libmamba作为求解器：conda config --set solver libmamba
就这样！您的 Conda 安装现在将使用 libmamba 作为求解器，这应该会加快软件包的安装过程。
恭喜！您已成功设置 Conda 环境，安装了 Ultralytics 包，现在可以探索其丰富的功能了。请随时深入研究 Ultralytics 文档，以获取更多高级教程和示例。
常见问题
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，可以确保顺畅的包管理。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，使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，为什么我应该使用 Conda 而不是 pip 来管理依赖项？
Conda 是一个强大的包和环境管理系统，相比于 pip 具有多个优势。它可以高效地管理依赖项，并确保所有必要的库都兼容。Conda 的隔离环境可以防止包之间的冲突，这在数据科学和机器学习项目中至关重要。此外，Conda 支持二进制包分发，从而加快了安装过程。
我可以在启用CUDA的环境中使用Ultralytics YOLO以获得更快的性能吗？
是的，您可以通过利用启用 CUDA 的环境来提高性能。确保安装 ultralytics, pytorch和 pytorch-cuda 一起以避免冲突：
conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=11.8 ultralytics
此设置启用GPU加速，这对于诸如深度学习模型训练和推理之类的密集型任务至关重要。有关更多信息，请访问Ultralytics安装指南。
将 Ultralytics Docker 镜像与 Conda 环境结合使用有哪些好处？
使用 Ultralytics Docker 镜像可确保环境的一致性和可重复性，从而消除“在我的机器上可以运行”的问题。这些镜像包含预配置的 Conda 环境，简化了设置过程。您可以使用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
此方法非常适合在生产环境中部署应用程序或运行复杂的workflow，而无需手动配置。 了解更多关于Ultralytics Conda Docker镜像的信息。
如何加快 Ultralytics 环境中 Conda 包的安装速度？
您可以使用以下方法加快软件包安装过程 libmamba，一个快速的 Conda 依赖关系求解器。首先，安装 conda-libmamba-solver 软件包的更多详细信息：
conda install conda-libmamba-solver
然后配置 Conda 以使用 libmamba 作为求解器：
conda config --set solver libmamba
此设置提供更快、更高效的软件包管理。有关优化环境的更多提示，请阅读有关libmamba安装的信息。
