使用Conda安装
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/。
安装代码
# Install the ultralytics package using conda
conda install -c conda-forge ultralytics
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。
Install all packages together using conda
conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=11.8 ultralytics
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
环境设置
将C:\ProgramData\anaconda3\Lib\site-packages\ultralytics 添加到环境变量
使用pip安装
安装代码
# Install the ultralytics package from PyPI
pip install 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。
# Install the ultralytics package from GitHub
pip install git+https://github.com/ultralytics/ultralytics.git@main
备注
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
验证代码
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("D:/Code4/bus.jpg")
# Export the model to ONNX format
success = model.export(format="onnx")
这段代码展示了如何使用Ultralytics的YOLO(You Only Look Once)框架来训练、验证、测试以及导出一个物体检测模型。下面是每一行代码的解释:
-
from ultralytics import YOLO
:
导入YOLO类,这是Ultralytics库提供的用于YOLO模型的接口。 -
model = YOLO("yolov8n.yaml")
:
创建一个新的YOLO模型,这个模型是从配置文件yolov8n.yaml
中定义的。这通常用于从头开始训练一个新模型。 -
model = YOLO("yolov8n.pt")
:
加载一个预训练的YOLO模型,这对于继续训练或直接使用已有模型进行推理是非常有用的。 -
results = model.train(data="coco8.yaml", epochs=3)
:
使用指定的数据集配置文件coco8.yaml
来训练模型,训练轮数为3次。coco8.yaml
文件包含了数据集的位置和其他训练相关的参数。 -
results = model.val()
:
在验证集上评估模型的表现。这将返回模型性能的一些统计数据,如精度等。 -
results = model("D:/Code4/bus.jpg")
:
对位于D:/Code4/bus.jpg
的图像执行物体检测。结果将包含检测到的对象的位置、类别和置信度等信息。 -
success = model.export(format="onnx")
:
将训练好的模型导出为ONNX格式,这是一种开放格式,可以使得模型在多种框架之间共享。success
变量将会记录导出是否成功。
这些步骤覆盖了从创建或加载模型,到训练、评估、应用以及最终导出模型的基本流程。这样的流程在开发和部署机器学习模型时是非常常见的。