快速入门
安装Ultralytics
Ultralytics 提供了多种安装方法，包括 pip、conda 和 Docker。YOLOv8 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 资源库位于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 专用的 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：推荐用于训练的 GPU 映像。
- 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 的仅 CPU 版本，适用于推理和无 GPU 的环境。
- Dockerfile-jetson：专为英伟达 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。
下面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 requirements.txt 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YOLOv8 的更多信息。
示例
Ultralytics yolo 命令使用以下语法：
查看全部 ARGS 在充分 配置指南 或使用 yolo cfg CLI 指挥。
在图像大小为 320 时，使用预训练的分割模型预测 YouTube 视频：
将YOLOv8n 分类模型导出为ONNX 格式，图像大小为 224 x 128（无需 TASK）
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=yolov8n.pt imgsz=640 conf=0.25✅yolo predict model yolov8n.pt imgsz 640 conf 0.25❌（缺失=)yolo predict model=yolov8n.pt, imgsz=640, conf=0.25❌（不要使用,)yolo predict --model yolov8n.pt --imgsz 640 --conf 0.25❌（不要使用--)
将Ultralytics 与Python
YOLOv8 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。Python Python YOLOv8 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YOLOv8 的更多信息。
示例
from ultralytics import YOLO
# Create a new YOLO model from scratch
model = YOLO('yolov8n.yaml')
# Load a pretrained YOLO model (recommended for training)
model = YOLO('yolov8n.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 通过 YAML 模块，用户可以随时访问和修改自己的设置。这些设置存储在 YAML 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 日志记录 |
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 进行实验跟踪 |
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 日志记录 |
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。