安装 Ultralytics#
Ultralytics 提供了多种安装方法，包括 pip、conda 和 Docker。你可以通过 ultralytics pip 包安装 YOLO 以获取最新的稳定版本，或者通过克隆 Ultralytics GitHub 仓库来获取最新版本。Docker 也是在隔离容器中运行该包的一个可选方案，这可以避免本地安装。
Watch: Ultralytics YOLO Quick Start Guide
使用 pip 运行 pip install -U ultralytics 来安装或更新 ultralytics 软件包。有关 ultralytics 软件包的更多详情，请访问 Python Package Index (PyPI)。
# Install or upgrade the ultralytics package from PyPI
pip install -U ultralytics你也可以直接从 Ultralytics GitHub repository 安装 ultralytics。如果你想要最新的开发版本，这会很有用。确保你已安装 Git 命令行工具，然后运行：
# Install the ultralytics package from GitHub
pip install git+https://github.com/ultralytics/ultralytics.git@main请参阅 ultralytics pyproject.toml 文件以获取依赖项列表。请注意，上面的所有示例都安装了所有必需的依赖项。
无头服务器安装#
对于没有显示器的服务器环境（例如云虚拟机、Docker 容器、CI/CD 管道），请使用 ultralytics-opencv-headless 包。这与标准的 ultralytics 包相同，但它依赖于 opencv-python-headless 而不是 opencv-python，从而避免了不必要的 GUI 依赖项和潜在的 libGL 错误。
pip install ultralytics-opencv-headless两个包提供相同的功能和 API。无头变体只是排除了需要显示库的 OpenCV GUI 组件。
高级安装#
虽然标准安装方法涵盖了大多数用例，但你可能需要为开发或自定义配置进行更量身定制的设置。
如果你需要持久的自定义修改，你可以 fork Ultralytics 仓库，对 pyproject.toml 或其他代码进行更改，然后从你的 fork 进行安装。
- Fork Ultralytics GitHub 仓库到你自己的 GitHub 账户。
- 克隆 你的分支到本地：
git clone https://github.com/YOUR_USERNAME/ultralytics.git cd ultralytics - 创建新分支 以进行你的更改：
git checkout -b my-custom-branch - 根据需要对
pyproject.toml或其他文件进行修改。 - 提交并推送 你的更改：
git add . git commit -m "My custom changes" git push origin my-custom-branch - 使用带有
git+https语法并通过 pip 进行安装，指向你的分支：pip install git+https://github.com/YOUR_USERNAME/ultralytics.git@my-custom-branch
通过 CLI 使用 Ultralytics#
Ultralytics 命令行界面 (CLI) 允许使用简单的单行命令，而无需 Python 环境。CLI 不需要任何自定义或 Python 代码；只需使用 yolo 命令从终端运行所有任务。有关从命令行使用 YOLO 的更多信息，请参阅 CLI 指南。
参数必须以 arg=value 对的形式传递，用等于号 = 分隔并用空格定界。请勿使用 -- 参数前缀，也不要在参数之间使用逗号 ,。
yolo predict model=yolo26n.pt imgsz=640 conf=0.25✅yolo predict model yolo26n.pt imgsz 640 conf 0.25❌（缺少=）yolo predict model=yolo26n.pt, imgsz=640, conf=0.25❌（请勿使用,）yolo predict --model yolo26n.pt --imgsz 640 --conf 0.25❌（请勿使用--）yolo solution model=yolo26n.pt imgsz=640 conf=0.25❌（应使用solutions，而不是solution）
通过 Python 使用 Ultralytics#
Ultralytics YOLO Python 接口可无缝集成到 Python 项目中，从而轻松加载、运行和处理模型输出。Python 接口专为简便性而设计，使用户能够快速实现目标检测、实例分割、语义分割、深度估计和分类。这使得 YOLO Python 接口成为将这些功能并入 Python 项目中的宝贵工具。
例如，用户只需几行代码即可加载模型、对其进行训练、评估其性能并将其导出为 ONNX 格式。探索 Python 指南以了解有关在 Python 项目中使用 YOLO 的更多信息。
from ultralytics import YOLO
# Create a new YOLO model from scratch
model = YOLO("yolo26n.yaml")
# Load a pretrained YOLO model (recommended for training)
model = YOLO("yolo26n.pt")
# Train the model using the 'coco8.yaml' dataset for 3 epochs
results = model.train(data="coco8.yaml", epochs=3)
# Evaluate the model's performance on the validation set
results = model.val()
# Perform object detection on an image using the model
results = model("https://ultralytics.com/images/bus.jpg")
# Export the model to ONNX format
success = model.export(format="onnx")Ultralytics 设置#
Ultralytics 库包含一个 SettingsManager，用于对实验进行细粒度控制，允许用户轻松访问和修改设置。这些设置存储在环境用户配置目录中的 JSON 文件内，可以在 Python 环境中或通过命令行界面 (CLI) 进行查看或修改。
检查设置#
若要查看你当前的配置设置：
使用 Python 通过从 ultralytics 模块导入 settings 对象来查看你的设置。使用以下命令打印并返回设置：
from ultralytics import settings
# View all settings
print(settings)
# Return a specific setting
value = settings["runs_dir"]修改设置#
Ultralytics 使你可以通过以下方式轻松修改设置：
在 Python 中，对 settings 对象使用 update 方法：
from ultralytics import settings
# Update a setting
settings.update({"runs_dir": "/path/to/runs"})
# Update multiple settings
settings.update({"runs_dir": "/path/to/runs", "tensorboard": False})
# Reset settings to default values
settings.reset()理解设置#
下表概述了 Ultralytics 中的可调设置，包括示例值、数据类型和说明。
| 名称 | 示例值 | 数据类型 | 描述 |
|---|---|---|---|
settings_version | '0.0.7' | str | Ultralytics settings 版本（区别于 Ultralytics [pip] 版本） |
datasets_dir | '/path/to/datasets' | str | 存储数据集的目录 |
weights_dir | '/path/to/weights' | str | 存储模型权重的目录 |
runs_dir | '/path/to/runs' | str | 存储实验运行结果的目录 |
uuid | 'a1b2c3d4' | str | 当前设置的唯一标识符 |
sync | True | bool | 将分析数据和崩溃信息同步到 [Ultralytics Platform] 的选项 |
api_key | '' | str | [Ultralytics Platform] API Key |
clearml | True | bool | 使用 [ClearML] 日志记录的选项 |
comet | True | bool | 使用 [Comet ML] 进行实验跟踪和可视化的选项 |
dvc | True | bool | 使用 [DVC for experiment tracking] 和版本控制的选项 |
mlflow | True | bool | 使用 [MLFlow] 进行实验跟踪的选项 |
neptune | True | bool | 使用 [Neptune] 进行实验跟踪的选项 |
raytune | True | bool | 使用 [Ray Tune] 进行hyperparameter tuning的选项 |
tensorboard | False | bool | 使用 [TensorBoard] 进行可视化的选项 |
wandb | False | bool | 使用 [Weights & Biases] 日志记录的选项 |
vscode_msg | True | bool | 检测到 VS Code 终端时，启用下载 [Ultralytics-Snippets] 扩展的提示。 |
在进行项目或实验的过程中，请回顾这些设置以确保最佳配置。
常见问题解答#
使用 pip 安装 Ultralytics：
pip install -U ultralytics这会从 PyPI 安装
ultralytics软件包的最新稳定版本。要直接从 GitHub 安装开发版本：pip install git+https://github.com/ultralytics/ultralytics.git请确保你的系统中安装了 Git 命令行工具。
可以，使用 conda 安装 Ultralytics YOLO：
conda install -c conda-forge ultralytics此方法是 pip 的绝佳替代方案，可确保与其他包的兼容性。对于 CUDA 环境，请同时安装
ultralytics、pytorch和pytorch-cuda以解决冲突：conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=12.1 ultralytics有关更多说明，请参阅 Conda 快速入门指南。
Docker 为 Ultralytics YOLO 提供了一个隔离、一致的环境，确保了系统间的流畅性能并避免了本地安装的复杂性。官方 Docker 镜像可在 Docker Hub 上获取，其中包含针对 GPU、CPU、ARM64、NVIDIA Jetson 和 Conda 的变体。要拉取并运行最新镜像：
# Pull the latest ultralytics image from Docker Hub sudo docker pull ultralytics/ultralytics:latest # Run the ultralytics image in a container with GPU support sudo docker run -it --ipc=host --device nvidia.com/gpu=all ultralytics/ultralytics:latest有关详细的 Docker 说明，请参阅 Docker 快速入门指南。
克隆 Ultralytics 存储库并使用以下命令设置开发环境：
# Clone the ultralytics repository git clone https://github.com/ultralytics/ultralytics # Navigate to the cloned directory cd ultralytics # Install the package in editable mode for development pip install -e .这允许为项目做贡献或试验最新的源代码。有关详情，请访问 Ultralytics GitHub 仓库。
Ultralytics YOLO CLI 简化了在没有 Python 代码的情况下运行目标检测任务的过程，只需在终端输入一行命令即可进行训练、验证和预测。基本语法如下：
yolo TASK MODE ARGS例如，训练一个检测模型：
yolo train data=coco8.yaml model=yolo26n.pt epochs=10 lr0=0.01在完整的 CLI 指南中探索更多命令和用法示例。