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
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
激活新环境：
安装Ultralytics
您可以从 conda-forge 频道安装Ultralytics 软件包。执行以下命令
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：
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：
-
首先，安装
conda-libmamba-solver软件包。如果您的 Conda 版本是 4.11 或以上，则可以跳过此步骤，因为libmamba默认情况下包括 -
接下来，配置 Conda 以使用
libmamba作为求解器：
就是这样！现在，您的 Conda 安装将使用 libmamba 作为求解器，这将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：
然后，用以下命令激活新环境：
最后，从 conda-forge 频道安装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：
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。
如何在Ultralytics 环境中加快 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
然后配置 Conda 使用 libmamba 作为求解器：
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。
