快速入门
安装Ultralytics
Ultralytics 提供了多种安装方法,包括 pip、conda 和 Docker。YOLO 通过 ultralytics
pip 软件包的最新稳定版本,或通过克隆 Ultralytics GitHub 存储库 获取最新版本。可以使用 Docker 在隔离的容器中执行软件包,避免本地安装。
观看: Ultralytics YOLO 快速入门指南
安装
安装 ultralytics
软件包,或通过运行 pip install -U ultralytics
.请访问Python Package Index (PyPI),了解更多有关 ultralytics
包装 https://pypi.org/project/ultralytics/.
您还可以安装 ultralytics
直接从 GitHub 知识库.如果您需要最新的开发版本,这可能会很有用。确保在系统中安装了 Git 命令行工具。Git 命令行工具 @main
命令安装 main
分支,并可修改为另一个分支,即 @my-branch
或完全删除,默认为 main
分支。
Conda 是 pip 的替代软件包管理器,也可用于安装。更多详情请访问 Anaconda:https://anaconda.org/conda-forge/ultralytics 。Ultralytics 用于更新 conda 软件包的 feedstock 软件仓库:https://github.com/conda-forge/ultralytics-feedstock/。
备注
如果在CUDA 环境中安装,最佳做法是安装 ultralytics
, pytorch
和 pytorch-cuda
在同一命令中允许 conda 软件包管理器解决任何冲突,或者安装 pytorch-cuda
最后,允许它覆盖CPU-specific pytorch
如有必要,请将该程序包添加到"... "中。
Conda Docker 映像
Ultralytics Conda Docker 映像还可从 DockerHub.这些图像基于 迷你世界3 是开始使用 ultralytics
在 Conda 环境中。
# Set image name as a variable
t=ultralytics/ultralytics:latest-conda
# Pull the latest ultralytics image from Docker Hub
sudo docker pull $t
# 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
克隆 ultralytics
如果你有兴趣参与开发,或希望使用最新的源代码进行实验,请访问软件仓库。克隆后,导航到目录,以可编辑模式安装软件包 -e
使用 pip。
利用 Docker 轻松执行 ultralytics
软件包在一个隔离的容器中,确保在各种环境中都能实现一致、流畅的性能。通过选择官方 ultralytics
图片来自 Docker HubUltralytics 提供 5 种主要支持的 Docker 镜像,每种镜像都为不同平台和用例提供高兼容性和高效性:
- Dockerfile:推荐用于培训的GPU 镜像。
- Dockerfile-arm64:针对 ARM64 架构进行了优化,可在 Raspberry Pi 等设备和其他基于 ARM64 的平台上部署。
- Dockerfile-cpu :基于 Ubuntu 的CPU- 仅适用于推理和无 GPU 环境的版本。
- Dockerfile-jetson:专为NVIDIA Jetson 设备定制,集成了针对这些平台优化的GPU 支持。
- Dockerfile-python :仅包含Python 和必要依赖项的最小镜像,是轻量级应用和开发的理想选择。
- Dockerfile-conda:基于 Miniconda3,使用 conda 安装ultralytics 软件包。
以下是获取并执行最新映像的命令:
# Set image name as a variable
t=ultralytics/ultralytics:latest
# Pull the latest ultralytics image from Docker Hub
sudo docker pull $t
# 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
上述命令使用最新的 ultralytics
图像图像 -it
标记会分配一个伪 TTY 并保持 stdin 开启,以便与容器进行交互。标记 --ipc=host
标记将 IPC(进程间通信)命名空间设置为主机命名空间,这对进程间共享内存至关重要。进程间通信 --gpus all
flag 可以访问容器内所有可用的 GPU,这对于需要GPU 计算的任务至关重要。
注意:要在容器中处理本地机器上的文件,请使用 Docker 卷将本地目录挂载到容器中:
# Mount local directory to a directory inside the container
sudo docker run -it --ipc=host --gpus all -v /path/on/host:/path/in/container $t
改变 /path/on/host
的目录路径,以及 /path/in/container
与 Docker 容器内的所需路径一致,以便访问。
有关 Docker 的高级用法,请访问Ultralytics Docker 指南。
参见 ultralytics
pyproject.toml 文件中的依赖项列表。请注意,上述所有示例都安装了所有必需的依赖项。
将Ultralytics 与CLI
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 不需要定制或Python 代码。您只需使用 yolo
指挥部。查看 CLI 指南 了解从命令行使用YOLO 的更多信息。
示例
警告
参数必须以 arg=val
对,用等号分割 =
符号,每对之间用空格分隔。请勿使用 --
参数 ,
参数之间。
yolo predict model=yolo11n.pt imgsz=640 conf=0.25
✅yolo predict model yolo11n.pt imgsz 640 conf 0.25
❌(缺失=
)yolo predict model=yolo11n.pt, imgsz=640, conf=0.25
❌(不要使用,
)yolo predict --model yolo11n.pt --imgsz 640 --conf 0.25
❌(不要使用--
)
将Ultralytics 与Python
YOLO Python 界面可无缝集成到您的 项目中,从而轻松加载、运行和处理模型输出。 界面的设计以简单易用为宗旨,用户可以在自己的项目中快速实现Python Python 对象检测、分割和分类。这使得 的 界面成为任何希望将这些功能纳入其 项目的人的宝贵工具。YOLO Python Python
例如,用户只需几行代码就可以加载模型、训练模型、评估模型在验证集上的性能,甚至将模型导出为ONNX 格式。查看Python 指南,了解在Python 项目中使用YOLO 的更多信息。
示例
from ultralytics import YOLO
# Create a new YOLO model from scratch
model = YOLO("yolo11n.yaml")
# Load a pretrained YOLO model (recommended for training)
model = YOLO("yolo11n.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 库提供了一个功能强大的设置管理系统,可对实验进行精细控制。通过使用 SettingsManager
设在 ultralytics.utils
用户可以通过环境用户配置模块随时访问和修改自己的设置。这些设置存储在环境用户配置目录下的 JSON 文件中,可直接在Python 环境中或通过命令行界面 (CLI) 查看或修改。
检查设置
要深入了解设置的当前配置,可以直接查看:
查看设置
修改设置
Ultralytics 允许用户轻松修改设置。可以通过以下方式进行更改:
更新设置
在Python 环境中,调用 update
上的 settings
对象来更改设置:
了解设置
下表概述了Ultralytics 中可供调整的设置。每项设置都附有示例值、数据类型和简要说明。
名称 | 示例值 | 数据类型 | 说明 |
---|---|---|---|
settings_version |
'0.0.4' |
str |
Ultralytics 设置版本(与Ultralytics pip版本不同) |
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 |
存储实验运行的目录 |
uuid |
'a1b2c3d4' |
str |
当前设置的唯一标识符 |
sync |
True |
bool |
是否将分析和崩溃同步到 HUB |
api_key |
'' |
str |
Ultralytics HUBAPI 密钥 |
clearml |
True |
bool |
是否使用 ClearML记录 |
comet |
True |
bool |
是否使用Comet ML 进行实验跟踪和可视化 |
dvc |
True |
bool |
是否使用DVC 进行实验跟踪和版本控制 |
hub |
True |
bool |
是否使用Ultralytics HUB 集成 |
mlflow |
True |
bool |
是否使用MLFlow进行实验跟踪 |
neptune |
True |
bool |
是否使用 Neptune用于实验跟踪 |
raytune |
True |
bool |
是否使用Ray Tune进行超参数调整 |
tensorboard |
True |
bool |
是否使用TensorBoard进行可视化 |
wandb |
True |
bool |
是否使用 Weights & Biases记录 |
vscode_msg |
True |
bool |
检测到 VS Code 终端时,启用下载Ultralytics-Snippets 扩展的提示。 |
当您浏览项目或实验时,请务必重新查看这些设置,以确保它们的最佳配置符合您的需求。
常见问题
如何使用 pip 安装Ultralytics ?
要使用 pip 安装Ultralytics ,请执行以下命令:
对于最新的稳定版,这将安装 ultralytics
直接从Python Package Index (PyPI) 获取。有关详细信息,请访问 ultralytics 软件包.
或者,您也可以直接从 GitHub 安装最新的开发版本:
确保在系统中安装了 Git 命令行工具。
可以使用 conda 安装Ultralytics YOLO 吗?
是的,您可以通过运行 conda 安装Ultralytics YOLO :
这种方法是 pip 的最佳替代方案,可确保与环境中的其他软件包兼容。对于CUDA 环境,最好安装 ultralytics
, pytorch
和 pytorch-cuda
同时解决任何冲突:
更多说明,请访问Conda 快速入门指南。
使用 Docker 运行Ultralytics YOLO 有哪些优势?
使用 Docker 运行Ultralytics YOLO 可提供一个隔离和一致的环境,确保在不同系统间实现流畅的性能。它还消除了本地安装的复杂性。Ultralytics 的官方 Docker 映像可在Docker Hub 上获取,其中有为GPU 、CPU 、ARM64、NVIDIA Jetson 和 Conda 环境定制的不同变体。下面是提取和运行最新映像的命令:
# 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 --gpus all ultralytics/ultralytics:latest
有关更详细的 Docker 说明,请查看Docker 快速入门指南。
如何克隆Ultralytics 仓库进行开发?
要克隆Ultralytics 仓库并建立开发环境,请使用以下步骤:
# 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 .
通过这种方式,您可以为项目做出贡献,或使用最新的源代码进行实验。更多详情,请访问Ultralytics GitHub 代码库。
为什么要使用Ultralytics YOLO CLI ?
Ultralytics YOLO 命令行界面 (CLI) 简化了运行对象检测任务的过程,无需Python 代码。您可以直接从终端执行单行命令来完成训练、验证和预测等任务。基本语法为 yolo
命令是
例如,使用指定参数训练检测模型:
查看CLI 指南全文,了解更多命令和使用示例。